Disputa de Modelos de Visão: sete modelos de IA leem quatro retratos

Antes de escolher o modelo de IA por trás do nó Descrever para seletor do Nodaro, pedimos a sete modelos de visão que descrevessem os mesmos quatro retratos no esforço de raciocínio padrão e em esforços mais altos. Foram 20 configurações e 80 leituras. Em detalhe e em concordância, os modelos ficaram próximos. Em velocidade, a diferença entre eles passou de 20 vezes. O Claude Opus 5.5 em Alto fez uma das leituras mais detalhadas em cerca de 9 segundos e nunca falhou, por isso agora é o padrão. Mais raciocínio não fez nenhum modelo ler melhor, só mais devagar. Os modelos GPT nunca indicaram uma etnia.

O que descobrimos

O placar

Cada configuração leu os mesmos quatro retratos uma vez. Traços por retrato é quantos campos a configuração preencheu, em média. Concordância é a parcela dessas respostas que coincidiu com a resposta que a maioria das configurações deu para o mesmo campo e o mesmo retrato.

Nota sobre o Claude Fable 5: neste teste, o Fable 5 não escreveu nenhum raciocínio, em nenhum esforço. As linhas Alto e Máximo dele são repetições da execução padrão, então mostram quanto uma mesma configuração varia de uma execução para outra.

Mais raciocínio ajuda um modelo a ler uma foto?

Não. Nenhum modelo indicou mensuravelmente mais traços com um esforço de raciocínio mais alto, e nenhum modelo concordou mais. O custo foi o tempo e, nos modelos GPT, leituras com falha.

Toda mudança nos traços é menor do que os 3,5 traços que separaram três execuções idênticas do Claude Fable 5. Transformar uma foto em escolhas fixas de um catálogo é, sobretudo, ver, não pensar. Um modelo vê a linha do maxilar ou não vê, e mais raciocínio não muda o que ele vê.

O esforço Alto é a exceção que vale manter no Claude Opus 5.5. Ele custou 2 segundos a mais do que o padrão e deu o maior número de traços entre as configurações que responderam em menos de 20 segundos. O esforço Máximo acrescentou 145 segundos para 0,3 traço a mais.

Onde os modelos concordam e onde se dividem

Os modelos concordam no que conseguem ver e se dividem no que exige julgamento. A tabela mostra, para cada campo, a parcela das respostas que coincidiu com a resposta mais comum para o mesmo retrato.

Tipo é um julgamento, não uma observação, por isso os modelos se dividiram nele. Um dos modelos às vezes deu um tipo diferente em uma segunda execução da mesma foto.

Idade se dividiu de duas formas. Nos outros três retratos, os modelos concordaram, na maioria das vezes, na década e divergiram no grau de precisão. No homem de barba, a divisão foi real: os modelos Claude e o Gemini 3.8 Flash disseram que ele estava na casa dos 30, e o GPT, o Gemini 3.1 Pro e o Kimi K3, na casa dos 40.

Etnia se dividiu por modelo, não por foto. O GPT-6 Astra e o GPT-6.1 Sol deixaram o campo vazio em todas as leituras. Os outros cinco modelos o preencheram, e a maioria deles deu a mesma resposta principal em cada retrato.

O que lançamos

O Descrever para seletor agora usa o Claude Opus 5.5 em Alto por padrão. Uma leitura padrão custa 28 créditos, porque um modelo premium com um esforço de raciocínio é executado diretamente no fabricante dele. Todos os modelos da lista Modelo de IA continuam disponíveis.

• Para o máximo de detalhes, mantenha o padrão.
• Para o melhor custo-benefício, escolha o Gemini 3.8 Flash. Uma leitura custa 11 créditos e responde em menos de 25 segundos.
• Deixe o Esforço de raciocínio em Alto ou abaixo. Muito alto e Máximo deixaram as leituras mais lentas neste teste, sem respostas melhores.
• Se a etnia importa para o seu personagem, não use um modelo GPT, ou defina a etnia à mão no seletor Pessoa. O modo Preencher só os vazios dele mantém a sua escolha quando a próxima foto é lida.
• Para campos que exigem julgamento, como Tipo, confira o resultado. Os modelos discordam neles, então escolha à mão o valor que você quer.

O Descrever para seletor preenche os seletores Pessoa, Figurino e beleza, Enquadramento, Lente e Câmera / película a partir de uma única foto. Personagens consistentes mostra como reutilizar o resultado em várias cenas.

Como fizemos o teste

• Todas as configurações leram os mesmos quatro retratos no Nodaro, em 9 de outubro de 2026, pelo nó Descrever para seletor. O prompt, os catálogos dos seletores e as fotos foram os mesmos em todas as leituras.
• Cada leitura preencheu os cinco seletores de uma vez: Pessoa, Figurino e beleza, Enquadramento, Lente e Câmera / película.
• Executamos cada modelo no esforço padrão e nos esforços de raciocínio mais altos que ele oferece. Todas as leituras do Claude foram executadas diretamente no fabricante dele, onde os esforços de raciocínio do Claude estão disponíveis. Nos dois modelos Gemini, também executamos o Modo avançado, que executa o modelo diretamente no fabricante dele.
• Os retratos são quatro fotos de banco de imagens do Unsplash, de duas mulheres e dois homens. Elas mostram uma mulher rindo, de suéter vermelho, um homem com um topete escuro, uma mulher de cabelo natural curto e um homem de barba, em preto e branco.
• Não mostramos as fotos nem a leitura completa de cada retrato. Os campos descrevem o corpo e a origem de pessoas reais, então esta página informa só os totais de todos os retratos.
• A concordância compara cada resposta com a resposta que a maioria das configurações deu. Um empate não dá ponto a ninguém. Um modelo pode estar certo sozinho e mesmo assim perder pontos, então a concordância mede a estabilidade, não a verdade.
• O GPT-6.1 Sol no esforço padrão preencheu 4 campos que nenhuma outra configuração preencheu, e o Kimi K3 no esforço padrão preencheu 1. A concordância não conta essas respostas.
• Os tempos são medianas, medidos do início ao fim de cada execução na plataforma. Os créditos são o que a plataforma cobrou por leitura na data do teste.
• Três leituras falharam, todas em modelos GPT. O GPT-6 Astra em Muito alto excedeu o tempo limite. O GPT-6.1 Sol em Máximo encontrou o modelo ocupado, e o GPT-6.1 Sol no esforço padrão excedeu o tempo limite uma vez. Nenhuma leitura do Claude, do Gemini ou do Kimi falhou.
• Uma leitura por retrato em cada configuração é um indício, não uma prova. A conclusão está no padrão entre as configurações. A Disputa de Modelos de Imagem usou a mesma abordagem para a geração de imagens.