Pular para o conteúdo
ReviewRamble

A newsletter semanal

IA, analisada, na sua caixa de entrada.

  • Novas análises de ferramentas, modelos, servidores MCP e repositórios, com o veredicto logo no início
  • Preços e notas reconferidos quando algo muda
  • Novos artigos de análise assim que são publicados

Modelos, agentes, servidores MCP e as ferramentas que realmente valem seu tempo.

Um e-mail por semana. Cancele pelo link em qualquer edição. Como usamos seu e-mail

Vision-language model

Um vision-language model (VLM, modelo de visão e linguagem) é um modelo que recebe imagens e texto como entrada e produz texto, então consegue descrever imagens, responder perguntas sobre elas, ler documentos e extrair dados de capturas de tela.

Também chamado: VLM

Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos

São os VLMs que permitem a um chatbot ler a foto de um recibo ou um contrato digitalizado. Eles são uma ferramenta central do parsing de documentos, em que cada vez mais substituem ou apoiam o OCR clássico.

Como funciona

Um VLM típico tem um encoder de visão que transforma uma imagem em um conjunto de vetores, um pequeno conector que leva esses vetores ao espaço de entrada do modelo de linguagem, e um modelo de linguagem grande que os lê junto com o prompt de texto. O LLaVA, de 2023, é um exemplo aberto conhecido: ele conecta um encoder de visão a um LLM e foi treinado com dados de seguimento de instruções sobre imagens. O Flamingo, da DeepMind, em 2022, se descrevia como uma família de modelos de linguagem visual.

VLM vs OCR

O OCR transforma pixels em caracteres. Um VLM também consegue entender layout, tabelas, gráficos e escrita à mão, e responder perguntas sobre eles. Alguns VLMs são ajustados para documentos, como o DeepSeek-OCR 2.

Limites

Os VLMs podem ler errado textos pequenos, confundir números em tabelas densas ou descrever detalhes que não estão na imagem, uma forma visual de alucinação. Confira os números extraídos antes de confiar neles. Os VLMs são um tipo de modelo multimodal.

Termos relacionados

Modelo multimodal
Um modelo multimodal (multimodal model) é um modelo de IA que consegue receber, e às vezes produzir, mais de um tipo de dado, como texto, imagens, áudio ou vídeo, dentro de um único modelo em vez de sistemas separados.
Reconhecimento óptico de caracteres
O reconhecimento óptico de caracteres (OCR) é um software que lê texto em imagens, como páginas digitalizadas, fotos ou capturas de tela, e o transforma em caracteres legíveis por máquina que podem ser pesquisados, copiados ou enviados a um modelo.
Parsing de documentos
O parsing de documentos (análise de documentos) converte arquivos como PDFs, digitalizações, apresentações e planilhas em texto estruturado que um software consegue usar, mantendo títulos, ordem de leitura, tabelas e imagens, em vez de um fluxo plano de caracteres.
Alucinação (IA)
Uma alucinação (hallucination) é uma saída de um modelo de IA que soa fluente e confiante, mas é falsa, não tem apoio nas fontes ou foi inventada, como uma citação, uma frase, uma estatística ou uma função de API que não existem.
Extração de tabelas
A extração de tabelas (table extraction) é a tarefa de encontrar tabelas em documentos e reconstruir suas linhas, colunas, cabeçalhos e células como dados estruturados, como HTML, Markdown ou CSV, em vez de linhas soltas de texto.

Fontes