---
title: "O que é um modelo de visão e linguagem (VLM)? Como usar"
description: "Um modelo de visão e linguagem lê imagens e texto juntos e responde em texto. Como enviar imagens por uma API compatível com OpenAI, quanto custam e usos comuns."
url: https://broadrouter.com/pt/glossary/vision-language-model/
lang: pt-BR
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduzido do inglês com ajuda de IA. [Leia o original em inglês](https://broadrouter.com/glossary/vision-language-model/) (atualizado em 2026-11-14).

# Modelo de visão e linguagem (VLM)

Atualizado em 2026-11-14

Um modelo de visão e linguagem (VLM, vision-language model) é um modelo que recebe imagens e texto juntos como entrada e produz texto, então consegue descrever fotos, responder perguntas sobre elas e ler documentos, gráficos ou capturas de tela. VLMs também são chamados de modelos image-text-to-text ou multimodais.

Também chamado de: modelo de visão, LLM com visão, LLM de visão, LLM multimodal, modelo visão-linguagem, VLM, vision-language model, vision model, multimodal LLM, image-text-to-text model, vision API

Um modelo de visão e linguagem permite fazer perguntas sobre uma imagem do mesmo jeito que você faz sobre um texto.

## Como funciona

O Hugging Face descreve esses modelos de forma simples: eles “take in an image and text prompt and output text” (tradução: recebem uma imagem e um prompt de texto e produzem texto). São treinados com pares de imagem e texto, então aprendem a ligar o que veem à linguagem.

Por uma API compatível com OpenAI, a imagem vai dentro da mensagem como um content part. Pode ser uma URL pública ou uma data URL em base64:

```python
import base64, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
b64 = base64.b64encode(open("receipt.jpg", "rb").read()).decode()

reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "Return the vendor and total as JSON."},
        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
    ]}],
)
print(reply.choices[0].message.content)
```

O modelo transforma a imagem em [tokens](https://broadrouter.com/pt/glossary/token/) de entrada, lê esses tokens junto com o seu texto e escreve uma resposta.

## Por que isso importa

-   **Documentos.** Notas fiscais, recibos, formulários e documentos de identidade podem ir direto para um modelo, muitas vezes com [saída estruturada](https://broadrouter.com/pt/glossary/structured-output/) para receber os campos de volta em JSON.
-   **Telas e gráficos.** Agentes conseguem ler capturas de tela e dashboards; ferramentas de suporte conseguem ler fotos que os usuários enviam.
-   **Custo e limites.** Cada imagem adiciona tokens de entrada e ocupa parte da [janela de contexto](https://broadrouter.com/pt/glossary/context-window/). Muitas imagens em uma requisição somam rápido.

Confira o resultado. VLMs podem ler errado texto pequeno ou borrado e podem afirmar números errados com confiança. Para qualquer coisa que movimente dinheiro, valide os totais no código.

## Na BroadNet Inference

Três modelos de chat aceitam imagens:

| Modelo | Entrada | Contexto |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/pt/models/deepseek-v4.1-flash/) | Texto e imagem | 1.048.576 tokens |
| [Qwen3.8 27B](https://broadrouter.com/pt/models/qwen3.8-27b/) | Texto e imagem | 262.144 tokens |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/pt/models/gemma-4-vl-26b/) | Texto e imagem | 32.768 tokens |

O GLM 5.3 é só texto. O BroadNet Gemma 4 VL 26B custa $0.10 por 1M de tokens de entrada e funciona com o crédito inicial gratuito de $5. O Qwen3.8 27B foi testado pela BroadNet em árabe e também suporta saída estruturada. No pagamento por uso, uma imagem conta como tokens de entrada, e imagens maiores usam mais.

O [guia de notas fiscais em árabe](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) mostra uma extração completa. Mantenha correto o MIME type na data URL e deixe folga em `max_tokens` nos modelos de raciocínio.

## Perguntas frequentes

### Modelo de visão e linguagem é a mesma coisa que OCR?

Não. O OCR converte em caracteres o texto impresso de uma imagem. Um VLM também lê texto, mas entende layout e conteúdo, então consegue responder perguntas como qual linha é o total ou o que um gráfico mostra.

### Imagens consomem tokens?

Sim. As imagens são convertidas em tokens de entrada. Imagens maiores costumam usar mais, então redimensione para o menor tamanho que mantenha os detalhes de que você precisa.

### Quais modelos da BroadNet aceitam imagens?

DeepSeek V4.1 Flash, Qwen3.8 27B e BroadNet Gemma 4 VL 26B aceitam entrada de texto e imagem. O GLM 5.3 é só texto.

## Veja também

-   [Saída estruturada (structured output)](https://broadrouter.com/pt/glossary/structured-output/) (termo)
-   [Token](https://broadrouter.com/pt/glossary/token/) (termo)
-   [Modelo de pesos abertos (open-weight)](https://broadrouter.com/pt/glossary/open-weight-model/) (termo)
-   [Janela de contexto (context window)](https://broadrouter.com/pt/glossary/context-window/) (termo)
-   [IA multimodal (multimodal AI)](https://broadrouter.com/pt/glossary/multimodal/) (termo)
-   [Reconhecimento óptico de caracteres (OCR)](https://broadrouter.com/pt/glossary/ocr/) (termo)
-   [Tokens de imagem (image tokens)](https://broadrouter.com/pt/glossary/image-tokens/) (termo)
-   [Ler notas fiscais e recibos em árabe com um modelo de visão](https://broadrouter.com/pt/guides/read-arabic-invoices-with-vision/) (guia)
-   [Como usar o SDK Python da OpenAI com a BroadNet Inference](https://broadrouter.com/pt/guides/openai-python-sdk/) (guia)
-   [Como escolher uma API de LLM para árabe: o que testar](https://broadrouter.com/pt/blog/choosing-an-llm-for-arabic/) (artigo)

Teste com a sua carga de trabalho real. Contas novas começam com US$ 5 de crédito para Gemma e transcrição. DeepSeek, GLM e Qwen3.8 exigem uma recarga.

[Começar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-vision-language-model&utm_content=page-cta) ·

**Fontes**

-   [Hugging Face Tasks, image-text-to-text (modelos de visão e linguagem)](https://huggingface.co/tasks/image-text-to-text)
-   [Referência da API da OpenAI, criar chat completion (content parts com imagem)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Referência da API da BroadNet Inference, modelos (em inglês)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=pt-glossary-vision-language-model&utm_content=sources#models)
