Comparar Modelos de IA Multimodais em Raciocínio Visual
Avaliámos 15 modelos de IA multimodais líderes em raciocínio visual utilizando 200 perguntas baseadas em imagens. A avaliação consistiu em duas pistas: 100 perguntas de compreensão de gráficos testando a interpretação de visualizações de dados, e 100 perguntas de lógica visual avaliando o reconhecimento de padrões e o raciocínio espacial. Cada pergunta foi executada 5 vezes para garantir resultados consistentes e fiáveis.
Benchmark de raciocínio visual
Consulte a nossa metodologia de benchmark para conhecer os nossos procedimentos de teste.
gemini-3.1-pro-preview e gemini-3-pro-preview lideram a tabela de classificação. São seguidos pelo gpt-5.2, kimi-k2.5 e gpt-5.2-pro que lideram o grupo seguinte de modelos. Embora a maioria dos modelos tenha um bom desempenho em tarefas orientadas por dados, permanece uma lacuna para o llama-4-maverick na ligação entre estímulos visuais e passos lógicos.
Lógica visual
A lógica visual requer reconhecimento de padrões e raciocínio espacial. gemini-3.1-pro-preview lidera o teste de lógica visual, mostrando o desempenho mais elevado em tarefas de raciocínio abstrato. Muitos modelos mostram uma diminuição no desempenho quando comparados com os resultados na análise de gráficos. O llama-4-maverick mostra uma limitação nestas tarefas.
Compreensão de gráficos
Os modelos demonstram melhor proficiência na interpretação de gráficos do que em lógica visual. gemini-3.1-pro-preview tem a pontuação mais elevada nos testes de compreensão de gráficos, seguido de perto pelo gemini-3-pro-preview e pelo gemini-2.5-pro, mostrando uma forte capacidade para descodificar dados estruturados e visualizações. O claude-opus-4.6 e o claude-sonnet-4.6 mostram resultados mais elevados na interpretação de gráficos em comparação com as suas pontuações de lógica. As tarefas visuais orientadas por dados são mais acessíveis aos atuais modelos multimodais do que o reconhecimento de padrões.
Fiabilidade estatística do desempenho de raciocínio visual (95% CI)
Calculámos os Intervalos de Confiança (95% CI) através de 10.000 reamostragens bootstrap para definir a margem de erro para cada modelo, mostrando o intervalo dentro do qual o seu verdadeiro desempenho provavelmente se situa.
Perguntas do benchmark sobre onde os LLMs se destacam e têm mais dificuldades
Pergunta de gráfico com a menor taxa de sucesso dos LLMs
Figura 1: Gráfico de barras mostrando Volumes de Vendas da Star ao longo de 12 meses com quatro barras agrupadas por mês (dados de 1998-2000). Cada mês exibe barras sólidas, brancas e listradas em agrupamento próximo.
Nota: Todos os gráficos foram obtidos do Hitbullseye.1
Pergunta: Se as vendas de três anos consecutivos estão a aumentar ou a diminuir de forma constante, então isso é chamado de tendência estável. Que meses mostram uma tendência de aumento constante ao longo de três anos consecutivos?
Por exemplo, em junho de 1999, o Real foi inferior ao de 1998, mostrando uma diminuição, mas o modelo interpretou incorretamente como um aumento constante. A maioria dos modelos comete o mesmo erro nesta pergunta.
Quando 4 barras estão agrupadas por mês, os modelos tiveram dificuldades com o mapeamento barra-para-ano e a perceção de alturas relativas. Não conseguiram distinguir com precisão qual barra listrada/sólida/branca pertencia a que ano, levando a que as barras fossem lidas na ordem errada ou a confundir as suas alturas.
Isto revelou uma limitação fundamental no raciocínio visuoespacial: os modelos atuais careciam da perceção precisa ao nível do píxel necessária para medir e sequenciar corretamente barras densamente agrupadas, levando a uma identificação sistematicamente errada das tendências.
Pergunta de gráfico com a maior taxa de sucesso dos LLMs
Figura 2: Gráfico de barras mostrando percentagens de participação eleitoral nas eleições gerais indianas de 1952 a 1998. Uma barra por ano eleitoral com espaçamento claro entre barras.
Pergunta: A maior e a menor participação eleitoral de sempre (em percentagem) foram respetivamente em que anos?
Todos os modelos responderam corretamente a esta pergunta. Este sucesso mostra que os modelos se destacam na simples identificação de mínimo-máximo, encontrando as barras mais altas e mais baixas.
Ao contrário dos grupos agrupados de 4 barras, que são confusos, este gráfico tem uma única barra por ano com espaçamento claro, tornando a comparação visual direta simples. Os modelos têm um bom desempenho em tarefas puramente observacionais que não requerem um mapeamento complexo entre barras e categorias.
Pergunta de lógica visual com a maior taxa de sucesso dos LLMs
Figura 3: Duas grelhas 3×3 alinhadas mostrando correspondência de padrões algébricos. A grelha superior contém variáveis e as suas operações (multiplicação, divisão, expoentes). A grelha inferior mostra valores numéricos, com algumas células preenchidas (6, 36, 3/4) e duas incógnitas (A, B). A pergunta pede para encontrar B-A.
O sucesso veio do padrão matemático claro visível na estrutura da tabela (relações algébricas como a×b, c×d). O layout simples da grelha, sem complexidade visual, permitiu que os modelos se concentrassem exclusivamente na inferência numérica e na dedução lógica.
Os modelos destacam-se quando os problemas envolvem padrões matemáticos explícitos que podem ser resolvidos através de raciocínio passo a passo, demonstrando a sua força na lógica simbólica e no reconhecimento de padrões quando as distrações visuais são mínimas.
Pergunta de lógica visual com a menor taxa de sucesso dos LLMs
Figura 4: Puzzle de reconhecimento de padrões com círculos contendo diferentes padrões de linhas internas e formas geométricas. Duas sequências de exemplo com setas mostradas no topo, seguidas de uma pergunta pedindo para completar a terceira sequência a partir de cinco opções de escolha múltipla.
A dificuldade decorre da exigência de reconhecimento abstrato de padrões visuais, identificando regras de transformação geométrica em vários exemplos.
Isto exige raciocínio espacial puro para compreender como as formas rodam, se transformam e se relacionam entre si. Os modelos têm dificuldades com a inferência de regras a partir de sequências visuais quando não está disponível orientação numérica ou textual explícita, apenas padrões espaciais.
O que é o raciocínio visual?
O raciocínio visual é a capacidade de um modelo para interpretar imagens, ligar elementos visuais e responder a perguntas que exigem a compreensão de informação tanto visual como textual. Esta capacidade vai além do simples reconhecimento de objetos para tarefas como a análise de visualizações de dados, a identificação de padrões espaciais e a compreensão de relações entre elementos visuais.
O nosso benchmark avaliou esta capacidade através de duas pistas distintas para testar diferentes aspetos cognitivos: compreensão de gráficos, onde os modelos interpretaram gráficos de barras, gráficos de linhas e diagramas de dispersão para avaliar a sua capacidade de extrair informação estruturada de visualizações de dados; e lógica visual, onde enfrentaram puzzles de reconhecimento de padrões e problemas de raciocínio espacial para medir o raciocínio abstrato sem orientação numérica explícita. Esta divisão reflete a distinção fundamental na forma como os modelos processam dados explícitos versus padrões implícitos.
Os modelos alcançam o raciocínio visual através de diferentes abordagens arquitetónicas. Por exemplo, o framework Cola coordena múltiplos modelos de visão-linguagem onde cada um fornece legendas e respostas plausíveis, depois um LLM central avalia estas opções e seleciona a resposta mais precisa.
Figura 5: Gráfico mostrando como o Cola utiliza um modelo de linguagem coordenativo para raciocínio visual.2
Outro exemplo é o framework CVR-LLM, que melhora o raciocínio convertendo imagens em descrições sensíveis ao contexto usando o método CaID e selecionando exemplos relevantes com o procedimento CVR-ICL. Este framework trata a informação de imagem como representações baseadas em texto, permitindo que o LLM analise associações de forma mais eficaz em vários tipos de tarefas multimodais.3
Como funciona o raciocínio visual nos LLMs
Os LLMs não percecionam imagens diretamente. Dependem de codificadores de visão que convertem imagens em representações estruturadas adaptadas para modelos de linguagem. O codificador identifica objetos, texturas, relações espaciais e padrões visuais. O LLM combina depois esta representação com a consulta de texto para construir uma cadeia de raciocínio.
Coordenação ou refinamento
Existem dois mecanismos principais para cenários visuais complexos: coordenação, onde um LLM integra resultados de múltiplos modelos de visão para verificar interpretações de forma cruzada; e refinamento, onde o LLM melhora iterativamente as descrições de imagens através de ciclos de feedback que identificam informação em falta. Ambos abordam limitações onde modelos únicos falham na análise de cenários complexos.
Aprendizagem em contexto para raciocínio multimodal
Alguns frameworks recuperam exemplos semelhantes dos dados de treino, fornecendo ao modelo modelos para interpretar estímulos visuais. Estas demonstrações ajudam o modelo a aplicar padrões de raciocínio aprendidos a novos problemas.
Produzir a explicação final
O LLM produz uma resposta apoiada por um processo de raciocínio, explicando como interpretou a imagem, em que elementos visuais se baseou e as ligações lógicas que estabeleceu.
Raciocínio Chain-of-Thought em tarefas visuais
O raciocínio Chain-of-Thought (CoT) emergiu como uma abordagem importante no raciocínio visual. Em vez de analisar uma imagem de uma só vez, os modelos agora decompõem problemas visuais em passos mais pequenos e sequenciais, semelhante à forma como os humanos resolvem problemas complexos pensando neles passo a passo.
O CoT Visual permite que os modelos ajustem dinamicamente o foco em diferentes regiões espaciais de uma imagem, abordando uma limitação chave onde os modelos anteriormente dependiam de processamento de imagem com granularidade fixa. Por exemplo, ao analisar um gráfico complexo, o modelo pode primeiro identificar os eixos, depois examinar pontos de dados individuais e, finalmente, comparar tendências, em vez de tentar compreender tudo simultaneamente.
Esta abordagem integra aprendizagem por reforço e aprendizagem por imitação para alinhar os modelos mais estreitamente com os padrões de raciocínio humano. Isto representa uma mudança fundamental do reconhecimento passivo de padrões para a resolução ativa de problemas visuais, onde os modelos exploram e raciocinam ativamente sobre o que veem. 4
Aplicações empresariais do raciocínio visual em LLMs
Os LLMs com capacidades visuais podem apoiar múltiplos cenários empresariais. Estas aplicações dependem da capacidade do modelo para analisar imagens, ligá-las a dados textuais e produzir insights fiáveis.
Análise de documentos e conteúdos
As empresas lidam com diagramas, desenhos de engenharia, figuras de revistas científicas e várias formas de dados visuais. Um modelo de raciocínio visual pode:
- Detetar elementos em falta ou incorretos.
- Identificar objetos ou sinais na parte inferior ou nos cantos dos diagramas.
- Ligar segmentos de texto e imagem para verificações de qualidade.
- Extrair informação estruturada para posterior implementação ou relatório.
Por exemplo, a Intuit integrou o Doc IA do Google Cloud e os modelos Gemini para preencher automaticamente declarações de impostos em formulários fiscais comuns dos EUA, melhorando tanto a velocidade como a precisão no processamento de documentos.5
Inspeção de qualidade e operações
No fabrico e na logística, os modelos podem inspecionar produtos ou embalagens. O raciocínio visual ajuda a detetar defeitos, desalinhamentos ou padrões incomuns. O modelo pode comparar imagens com uma referência e gerar uma explicação do que mudou ou do que está em falta.
A Intel, por exemplo, utiliza sistemas de inspeção por visão de IA que poupam 2 milhões de dólares anualmente, com os fabricantes a alcançarem tipicamente ROI em 6-12 meses através da redução de refugo e menos devoluções de clientes. 6
Retalho e eCommerce
Os modelos analisam imagens de produtos, identificam atributos-chave e fazem a correspondência com dados de catálogo. As capacidades de pesquisa visual permitem que os clientes carreguem imagens para encontrar produtos semelhantes usando visão computacional, enquanto os motores de recomendação de tamanhos baseados em IA reduziram as taxas de devolução em 20-30%. Estes sistemas também detetam inconsistências entre descrições de produtos e imagens.7
Segurança e monitorização
O raciocínio visual apoia tarefas de inspeção de vídeo e imagem analisando sequências de fotogramas e detetando padrões incomuns. A Cambridge Industries implementou um sistema de segurança baseado em IA para estaleiros de construção que reduziu os custos de reparação de emergência em quase 50%. 8
Marketing e experiência do utilizador
O raciocínio visual ajuda as equipas a compreender como os utilizadores interagem com o conteúdo digital. Um modelo pode avaliar capturas de ecrã ou criativos e fornecer insights sobre layout, posicionamento de objetos e potenciais problemas. Isto é especialmente relevante ao avaliar diferentes categorias de ativos visuais.
Por exemplo, a Comeen utiliza o Gemini IA para gerar legendas multilingues para vídeos no local de trabalho em 40 idiomas com um clique, eliminando o processo de vários dias e múltiplos fornecedores que anteriormente tornava o conteúdo obsoleto antes da publicação. 5
Adicionar como fonte preferencialPanorama comparativo: principais intervenientes e as suas abordagens
Chance IA
A Chance IA está entre as primeiras ferramentas comerciais construídas em torno da compreensão visão-em-primeiro-lugar. O seu sistema de raciocínio visual analisa imagens através de lentes culturais, históricas, funcionais e estéticas. Em vez de atribuir rótulos simples, fornece insights estruturados que explicam por que razão um objeto, figura ou cena importa, como o estilo, simbolismo e contexto histórico da obra de arte, a par do seu tema.
O design prioriza a experiência do utilizador ao permitir a exploração orientada pelo significado através de imagens sem consultas digitadas. Isto vai além da visão computacional tradicional em direção à interpretação, narrativa e explicação semelhante à humana, tornando-a especialmente relevante para indústrias criativas, educação e turismo, onde o contexto acrescenta valor para além do reconhecimento.9
Meta IA
O framework UniBench da Meta introduziu uma abordagem unificada para avaliar o raciocínio visual, combinando mais de cinquenta benchmarks para compreensão espacial, raciocínio composicional e contagem. Testando quase sessenta modelos de visão-linguagem, a Meta descobriu que escalar dados e o tamanho do modelo melhora a perceção, mas não o raciocínio, com mesmo modelos avançados a falharem em tarefas simples como reconhecimento de dígitos e contagem de objetos.
Estas descobertas mudaram a forma como o progresso do raciocínio visual é medido, destacando a necessidade de dados de maior qualidade, objetivos direcionados e aprendizagem estruturada em vez de depender apenas de modelos maiores. Para as empresas, o UniBench oferece uma forma transparente de comparar o desempenho de raciocínio em tarefas multimodais antes da implementação.10
Figura 6: O gráfico mostra o desempenho mediano de 59 VLMs em 53 benchmarks, revelando que, apesar do progresso, muitos modelos ainda têm um desempenho próximo do nível de acaso, particularmente em tarefas como Winoground, iNaturalist, DSPR e outras (azul: mediana zero-shot; cinzento: nível de acaso).11
OpenAI
A OpenAI avançou o raciocínio visual com os modelos o3 e o4-mini, que podem pensar com imagens integrando a manipulação de imagens no seu raciocínio. Durante a análise, fazem zoom, recortam ou rodam imagens para se focarem em detalhes relevantes, espelhando a forma como os humanos ajustam a atenção visual ao interpretar diagramas ou desenhos.
Testados em benchmarks multimodais como interpretação de gráficos, resolução visual de problemas e raciocínio matemático, os modelos mostraram ganhos claros em precisão e compreensão contextual. No entanto, os resultados também expuseram limitações, incluindo raciocínio inconsistente e erros percetuais ocasionais, sublinhando o desafio contínuo da fiabilidade nos sistemas de raciocínio visual.
Figura 7: O gráfico mostra os resultados de todos os modelos avaliados sob configurações elevadas de "esforço de raciocínio".12
Esforços académicos e de investigação aberta
VisuLogic: Um Benchmark para Avaliar o Raciocínio Visual em Modelos de Linguagem Multimodais de Grande Escala
Este artigo apresenta o VisuLogic, um benchmark para avaliar o desempenho de modelos multimodais em tarefas de raciocínio visual. Combina mais de cinquenta datasets cobrindo vários tipos de raciocínio, incluindo relações espaciais, lógica composicional e contagem de objetos.
Os autores analisam dezenas de modelos existentes e descobrem que aumentar o tamanho ou a escala de dados melhora o reconhecimento de imagens, mas não o raciocínio. Os modelos frequentemente detetam padrões sem compreender as relações entre objetos. O artigo enfatiza que o treino específico de raciocínio, melhor qualidade de dados e avaliação detalhada são essenciais para um progresso significativo.
O VisuLogic oferece um framework unificado que ajuda investigadores e empresas a analisar capacidades de raciocínio em vez de depender apenas de métricas de perceção, tornando-o um recurso valioso para avaliar sistemas de raciocínio multimodal.13
Explain Before You Answer: Uma Revisão sobre Raciocínio Visual Composicional
Esta revisão analisa as abordagens atuais ao raciocínio visual composicional, focando-se em como os modelos combinam pistas visuais e textuais para chegar a uma resposta correta. Identifica fraquezas nos métodos existentes que dependem do reconhecimento em vez do raciocínio estruturado.
Os autores propõem treinar modelos para explicar antes de responder, garantindo que cada processo de raciocínio seja transparente e interpretável. Discutem técnicas para alinhar representações visuais e linguísticas para que os modelos possam compreender melhor diagramas, figuras e associações de objetos.
O artigo conclui que o raciocínio alinhado e explicável melhora a fiabilidade e a interpretabilidade em tarefas multimodais. Destaca que o futuro da investigação em raciocínio visual depende da integração da aprendizagem baseada em explicações no design de modelos.14
Desafios nas capacidades de raciocínio visual dos LLMs
O progresso no raciocínio visual também traz desafios técnicos e éticos que precisam de ser considerados.
A fiabilidade continua a ser uma preocupação fundamental. Como visto no nosso benchmark, os modelos têm dificuldades com visualizações densamente agrupadas, falhando no mapeamento barra-para-ano e na perceção de alturas relativas em gráficos complexos, levando a erros sistemáticos na identificação de tendências. Mesmo modelos avançados falham em tarefas simples como reconhecimento de dígitos e contagem de objetos, e escalar dados melhora a perceção, mas não o raciocínio.
O viés e os problemas de interpretação são generalizados. Os modelos de raciocínio visual aprendem e refletem vieses presentes nos seus dados de treino ao interpretar imagens. Os modelos refletem pressupostos culturais e estereótipos dos dados de treino, incluindo vieses de género, raciais, etários e de deficiência. Por exemplo, ao prever as profissões de pessoas numa imagem ou ao interpretar cenários, estes vieses podem distorcer os resultados.
A explicabilidade é crítica para a confiança. Os modelos devem explicar o seu processo de raciocínio de forma transparente, especialmente em aplicações de alto risco como cuidados de saúde, contratação e justiça criminal, onde resultados enviesados causam danos.
Metodologia do benchmark
Todos os modelos foram avaliados via OpenRouter API com parâmetros padronizados: temperatura definida para 0,8 e o parâmetro de tokens máximos não foi definido para evitar limitar as capacidades de raciocínio. Os modelos foram instruídos a responder apenas com uma única letra (A-E) sem explicação, embora alguns modelos ainda tenham fornecido raciocínio detalhado, que analisámos para extrair as respostas finais. A avaliação foi executada em paralelo em todos os modelos simultaneamente. Cada pergunta foi executada 5 vezes para garantir resultados consistentes e fiáveis.
O benchmark consistiu em 200 perguntas divididas em duas categorias: Compreensão de Gráficos (100 perguntas) cobrindo gráficos de barras, gráficos de linhas, diagramas de dispersão e visualizações de dados complexas, e Lógica Visual (10 perguntas) testando reconhecimento de padrões, raciocínio espacial e lógica visual matemática. Todas as perguntas foram apresentadas em formato de escolha múltipla com cinco opções (A-E), exigindo que os modelos analisassem imagens e selecionassem a resposta correta.
Questions:
1. Compreensão de gráficos Avaliámos os modelos na sua capacidade de extrair, interpretar e analisar informação de várias visualizações de dados:
- Gráficos de barras: Configurações horizontais e verticais, formatos empilhados e agrupados
- Gráficos de linhas: Tendências de série única e múltipla, dados de séries temporais
- Diagramas de dispersão: Análise de correlação, identificação de padrões com eixos rotulados
- Gráficos circulares: Distribuições percentuais e raciocínio proporcional
- Visualizações complexas: Gráficos combinados, gráficos de eixo duplo e exibições de múltiplos painéis
2. Lógica visual Avaliámos o raciocínio abstrato e a inteligência espacial através de:
- Reconhecimento de padrões: Identificação de sequências e conclusão de padrões visuais
- Raciocínio espacial: Visualização 3D, planificações de cubos e transformações geométricas
- Lógica matemática: Padrões numéricos, raciocínio algébrico e combinatória
- Pensamento abstrato: Manipulação de símbolos, dedução lógica e inferência de regras
Formato das perguntas
- Formato de resposta: Escolha múltipla (A, B, C, D, E)
Cite este benchmark
Escolha o formato adequado ao local onde você vai publicar. Colar a versão com link no seu CMS preserva o backlink.
@misc{ermut2026,
author = {Ermut, Sıla and Şipi, Nazlı},
title = {{Comparar Modelos de IA Multimodais em Raciocínio Visual}},
year = {2026},
month = feb,
howpublished = {\url{https://aimultiple.com/visual-reasoning}},
note = {AIMultiple. Acessado em 20 Fevereiro 2026}
}Links de referência
Seja o primeiro a comentar
Seu endereço de e-mail não será publicado. Todos os campos são obrigatórios. Os comentários são deixados em seu idioma original.