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

> Sete modelos de visão com IA descreveram os mesmos quatro retratos em 20 configurações. O Claude Opus 5.5 em Alto venceu; mais raciocínio só trouxe lentidão.

Source: https://nodaro.ai/pt-BR/docs/research/vision-model-bakeoff

Antes de escolher o modelo de IA por trás do nó [Descrever para seletor](https://nodaro.ai/docs/nodes/image/describe-to-picker) 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.**

- Modelos: 7
- Configurações: 20
- Retratos: 4
- Leituras: 80
- Seletores: 5
- Leituras com falha: 3

## O que descobrimos
**O Claude Opus 5.5 em Alto é a melhor configuração no geral.** 
Ele indicou 33,5 traços por retrato, concordou com a maioria em 85% deles e respondeu em 9,1 segundos. As quatro leituras dele deram certo.
  

  
**Mais raciocínio não fez nenhum modelo ler melhor.** 
O Claude Opus 5.5 em Máximo levou 17 vezes mais tempo do que em Alto e indicou 0,3 traço a mais. As configurações mais altas dos modelos GPT levaram de 85 a 109 segundos e falharam em duas leituras.
  

  
**A mesma tarefa levou 7 segundos ou mais de 2,5 minutos.** 
O Claude Opus 5.5 foi o mais rápido, com uma mediana de 7,2 segundos no esforço padrão. O Claude Opus 5.5 em Máximo foi o mais lento, com 154,5 segundos.
  

  
**O Gemini 3.8 Flash tem o melhor custo-benefício.** 
Por 11 créditos por leitura, ele concordou com a maioria em 85% a 92% das respostas. Ele indicou menos traços do que os modelos Claude.
  

  
**Os modelos GPT nunca indicaram uma etnia.** 
O GPT-6 Astra e o GPT-6.1 Sol deixaram o campo vazio em todas as 21 leituras deles. Os outros cinco modelos o preencheram em quase todos os retratos.
  

  
**As mesmas configurações dão respostas diferentes.** 
Três execuções do Claude Fable 5 com as mesmas configurações variaram 3,5 traços por retrato e 6 pontos de concordância. Leia diferenças menores como empates.
  

## 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.

| Modelo | Esforço de raciocínio | Traços por retrato | Concordância | Tempo mediano | Leituras | Créditos por leitura |
| --- | --- | --- | --- | --- | --- | --- |
| Claude Opus 5.5 | Padrão | 32,0 | 85% | 7,2 s | 4 de 4 | 28 |
| Claude Opus 5.5 | Alto | 33,5 | 85% | 9,1 s | 4 de 4 | 28 |
| Claude Opus 5.5 | Máximo | 33,8 | 82% | 154,5 s | 4 de 4 | 28 |
| Claude Fable 5 | Padrão | 33,0 | 87% | 11,0 s | 4 de 4 | 28 |
| Claude Fable 5 | Alto, veja a nota | 35,3 | 85% | 20,5 s | 4 de 4 | 28 |
| Claude Fable 5 | Máximo, veja a nota | 31,8 | 81% | 69,7 s | 4 de 4 | 28 |
| Gemini 3.1 Pro | Padrão | 32,8 | 80% | 28,2 s | 4 de 4 | 11 |
| Gemini 3.1 Pro | Padrão, Modo avançado | 31,0 | 80% | 27,4 s | 4 de 4 | 28 |
| Gemini 3.8 Flash | Padrão | 30,0 | 91% | 17,2 s | 4 de 4 | 11 |
| Gemini 3.8 Flash | Alto | 31,3 | 85% | 22,0 s | 4 de 4 | 11 |
| Gemini 3.8 Flash | Padrão, Modo avançado | 31,8 | 85% | 13,7 s | 4 de 4 | 11 |
| Gemini 3.8 Flash | Alto, Modo avançado | 28,0 | 92% | 19,8 s | 4 de 4 | 11 |
| Kimi K3 | Padrão | 31,8 | 83% | 29,9 s | 4 de 4 | 11 |
| Kimi K3 | Alto | 32,5 | 80% | 20,9 s | 4 de 4 | 11 |
| GPT-6.1 Sol | Padrão | 32,0 | 85% | 21,7 s | 3 de 4 | 11 |
| GPT-6.1 Sol | Alto | 30,3 | 83% | 21,6 s | 4 de 4 | 11 |
| GPT-6.1 Sol | Máximo | 30,3 | 83% | 84,6 s | 3 de 4 | 11 |
| GPT-6 Astra | Padrão | 30,0 | 83% | 42,3 s | 4 de 4 | 11 |
| GPT-6 Astra | Alto | 30,3 | 83% | 43,8 s | 4 de 4 | 11 |
| GPT-6 Astra | Muito alto | 30,0 | 83% | 108,8 s | 3 de 4 | 11 |

**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.

| Modelo | Esforço mais baixo | Esforço mais alto | Mudança nos traços | Mudança no tempo |
| --- | --- | --- | --- | --- |
| Claude Opus 5.5 | Padrão: 32,0 traços, 7,2 s | Máximo: 33,8 traços, 154,5 s | +1,8 | 21 vezes mais tempo |
| GPT-6 Astra | Padrão: 30,0 traços, 42,3 s | Muito alto: 30,0 traços, 108,8 s | 0 | 2,6 vezes mais tempo, 1 leitura com falha |
| GPT-6.1 Sol | Padrão: 32,0 traços, 21,7 s | Máximo: 30,3 traços, 84,6 s | −1,7 | 3,9 vezes mais tempo, 1 leitura com falha |
| Gemini 3.8 Flash | Padrão: 30,0 traços, 17,2 s | Alto: 31,3 traços, 22,0 s | +1,3 | 1,3 vez mais tempo |
| Kimi K3 | Padrão: 31,8 traços, 29,9 s | Alto: 32,5 traços, 20,9 s | +0,7 | Mais rápido |

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.

| Campo | Seletor | Concordância | O que aconteceu |
| --- | --- | --- | --- |
| Distância entre os olhos | Pessoa | 100% | Todas as configurações que responderam deram a mesma resposta, nos quatro retratos |
| Tecido | Figurino e beleza | 100% | Todas as configurações que responderam deram a mesma resposta, nos quatro retratos |
| Cor dos olhos | Pessoa | 100% | Todas as cores indicadas coincidiram, mas um quarto das respostas deixou o campo vazio |
| Formato dos olhos | Pessoa | 97% | Todas as configurações que responderam concordaram em três retratos |
| Tom de pele | Pessoa | 92% | Todas as configurações que responderam concordaram em três retratos |
| Idade | Pessoa | 64% | Sobretudo precisão: “Na casa dos 20” contra “Início dos 20” |
| Textura da pele | Pessoa | 61% | Três respostas diferentes por retrato |
| Tipo | Pessoa | 58% | A mesma mulher foi “Mulher”, “Garota da vizinhança” ou “Mulher bonita” |
| Estado do cabelo | Figurino e beleza | 51% | Quatro respostas diferentes em cada um dos dois retratos aos quais o campo se aplicava |

**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](https://nodaro.ai/docs/nodes/creative-controls/person). 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](https://nodaro.ai/docs/nodes/image/describe-to-picker) preenche os seletores [Pessoa](https://nodaro.ai/docs/nodes/creative-controls/person), [Figurino e beleza](https://nodaro.ai/docs/nodes/creative-controls/styling), [Enquadramento](https://nodaro.ai/docs/nodes/creative-controls/framing), [Lente](https://nodaro.ai/docs/nodes/creative-controls/lens) e [Câmera / película](https://nodaro.ai/docs/nodes/creative-controls/camera-format) a partir de uma única foto. [Personagens consistentes](https://nodaro.ai/docs/guides/consistent-characters) 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](https://nodaro.ai/docs/research/image-model-bakeoff) usou a mesma abordagem para a geração de imagens.

## Perguntas frequentes

### Qual modelo de IA é o melhor para descrever uma pessoa em uma foto?

No nosso teste, o Claude Opus 5.5 com esforço de raciocínio Alto. Ele indicou 33,5 traços por retrato, concordou com os outros modelos em 85% deles, respondeu em cerca de 9 segundos e nunca falhou. O nó “Descrever para seletor” do Nodaro agora usa esse modelo por padrão.

### Mais esforço de raciocínio ajuda um modelo de IA a ler uma foto?

Não neste teste. Nenhum modelo indicou mensuravelmente mais traços com um esforço mais alto. O Claude Opus 5.5 em Máximo levou 155 segundos em vez de 9, e os modelos GPT, nos esforços mais altos, levaram até 109 segundos e tiveram leituras com falha.

### Qual modelo de visão com IA tem o melhor custo-benefício para descrever fotos?

O Gemini 3.8 Flash. Por 11 créditos por leitura, ele concordou com os outros modelos em 85% a 92% das respostas, em 14 a 22 segundos. Ele indicou menos traços do que os modelos Claude: de 28 a 32 por retrato.

### Por que os modelos GPT deixaram a etnia vazia?

O GPT-6 Astra e o GPT-6.1 Sol deixaram o campo de etnia vazio em todas as 21 leituras deles, em todas as configurações. Os outros cinco modelos o preencheram. Se a etnia importa para o seu personagem, escolha outro modelo ou defina a etnia à mão no seletor “Pessoa”.

### Concordância é o mesmo que exatidão?

Não. A concordância é a frequência com que um modelo deu a resposta que a maioria dos modelos deu. Ninguém sabe a idade real ou a origem de um desconhecido em uma foto de banco de imagens, então a concordância mostra quais leituras são estáveis, não quais são verdadeiras.