Quais modelos do Ollama suportam visão?
Resposta rápida
Ollama suporta vários modelos de visão: LLaVA, Gemma 3 multimodal e Qwen-VL. Execute ollama run llava para começar facilmente. Todos aceitam imagens via a API do Ollama.
- ▸llava: modelo de visão original, melhor compatibilidade
- ▸gemma3: modelo multimodal do Google, boa qualidade
- ▸qwen-vl: potente para compreensão de documentos
Atualizado: 21 de junho de 2026
Pontos principais
- ✓Quatro modelos de visão do Ollama estão prontos para produção: LLaVA, Llama 3.2 Vision, Qwen-VL e Gemma 3
- ✓Os modelos de visão precisam de 1–3 GB a mais de VRAM que seus equivalentes apenas de texto — o codificador de imagem roda junto ao LLM
- ✓LLaVA 7B é o ponto de partida mais seguro (~7 GB de VRAM, ampla compatibilidade com clientes)
- ✓Use Qwen-VL para análise de gráficos e diagramas; use Llama 3.2 Vision 11B para OCR e raciocínio visual de múltiplas etapas
Os principais modelos de visão no Ollama
Em maio de 2026, Ollama suporta quatro modelos de visão prontos para produção: LLaVA, Llama 3.2 Vision, Qwen-VL e Gemma 3. Cada um tem uma força distinta e um perfil de VRAM específico.
LLaVA é o ponto de partida mais seguro — tem a maior compatibilidade com clientes e funciona com qualquer formato de imagem que o Ollama aceita. Llama 3.2 Vision 11B é a melhor escolha para OCR e raciocínio visual de múltiplas etapas. Qwen-VL lidera em gráficos, diagramas e documentos estruturados. A variante de visão do Gemma 3 lida com mais de 35 idiomas — útil quando as imagens contêm texto que não está em inglês, como sinalizações, documentos em idiomas estrangeiros ou gráficos com rótulos localizados. LLaVA e Qwen-VL são mais fortes em texto em inglês.
Todos os modelos de visão carregam um codificador de imagem junto aos pesos do LLM. Esse codificador adiciona 1–3 GB de VRAM além do que o modelo base apenas de texto precisa — considere esse overhead ao verificar seu orçamento de VRAM.
Requisitos de VRAM para visão
Cada modelo de visão precisa de mais VRAM que seu equivalente apenas de texto. Um modelo de visão 7B normalmente requer 7–9 GB de VRAM, não os ~6 GB que você orçaria para um modelo de texto 7B.
Para análise de gráficos e documentos, Qwen-VL 7B e Gemma 3 oferecem as opções mais eficientes em VRAM com forte compreensão de diagramas. Para OCR e raciocínio complexo em imagens, Llama 3.2 Vision 11B justifica a VRAM adicional. Para o guia completo sobre modelos locais multimodais e correspondência por caso de uso, veja o guia de LLMs locais multimodais.
| Modelo | VRAM em Q4 | Capacidade de imagem |
|---|---|---|
| LLaVA 7B | ~7 GB | Perguntas e respostas gerais sobre imagens, ampla compatibilidade |
| Llama 3.2 Vision 11B | ~10 GB | OCR, raciocínio visual de múltiplas etapas |
| Qwen-VL 7B | ~7 GB | Gráficos, diagramas, análise de documentos |
| Gemma 3 (visão) | ~6 GB | Compreensão multilíngue de imagens |
Guias relacionados
- ▸Modelos Ollama com contexto de 128K -- long context models
Respostas rápidas sobre modelos de visão do Ollama
Como envio uma imagem ao Ollama via API?▾
/api/chat com a imagem como string base64 no array images. Corpo JSON mínimo funcional: {"model":"llava","messages":[{"role":"user","content":"What is in this image?","images":["<base64>"]}]} Veja Qwen 3 no Ollama para uma opção multimodal com forte suporte a chamadas de ferramentas.