Classificação da Arena de Visão de IA 2026

Ponto de Inflexão de Fevereiro

Deixe-me explicar o que aconteceu. Desde minha análise de janeiro, quatro modelos legados saíram da parte inferior do ranking — Gemini 1.5 Pro (original), Qwen2.5-VL-32B, GPT-4 Turbo e GPT-4o Mini. Estes são modelos de uma era diferente, e sua saída já era esperada. O que os substituiu é muito mais interessante.

GPT-5.2 High estreou em #3, quebrando a varredura completa do pódio pelo Google pela primeira vez na história desta arena. Sua variante padrão, GPT-5.2, entrou em #13. Mas o verdadeiro choque veio da Moonshot. Seu modelo Kimi K2.5 Thinking ficou em #6, e a variante Instant em #10. Uma startup sem presença anterior nesta classificação agora tem dois modelos no top 10. Eu não vi isso chegando.

A compressão do campo também é reveladora. A diferença entre o #1 e o #60 é de apenas 171 pontos. Essa é uma faixa estreita para sessenta modelos, e significa que o meio da tabela é brutalmente competitivo. Uma única melhoria arquitetônica ou atualização de dados de treinamento pode mudar um modelo em dez ou quinze posições da noite para o dia. Se você está construindo pipelines de produção em torno de um modelo específico, entenda que sua posição não é permanente.

A Dinastia Quase Perfeita do Google

Gemini 3 Pro detém a coroa, e Gemini 3 Flash detém a prata. Mas pela primeira vez, o bronze pertence a outra pessoa. O Google ainda ocupa a posição #4 com a variante thinking-minimal do Flash e executa treze modelos entre os 60 melhores, abrangendo todos os níveis de desempenho, desde o carro-chefe Gemini 3 Pro até o leve Gemini 2.0 Flash Lite. Isso não é uma linha de produtos — é um ecossistema.

O que torna a posição do Google tão durável é a profundidade. Gemini 2.5 Pro em #7 continua sendo o modelo mais testado na arena com quase 80.000 avaliações cegas por trás dele. Gemini 2.5 Flash em #17 alimenta cargas de trabalho de produção de alto rendimento. Até mesmo Gemma 3 27B, um modelo de peso aberto em #42, supera as ofertas principais da maioria dos concorrentes. A abordagem do Google sempre foi vencer pela cobertura — ter o melhor modelo para cada orçamento e restrição de latência — e na visão, essa estratégia está funcionando.

A única rachadura na armadura: o Google perdeu a varredura do pódio. Quando cobri esta arena pela primeira vez, parecia que o Gemini manteria todas as três medalhas indefinidamente. A chegada do GPT-5.2 em #3 prova que a liderança do Google, embora dominante, não é inatacável. Se o Google não lançar a versão completa do Gemini 3 Pro (não apenas a prévia) em breve, essa janela se fechará ainda mais.

OpenAI Quebra o Pódio

Este é o mês mais forte da OpenAI na Vision Arena. GPT-5.2 High em #3 não apenas quebra o bloqueio do Google — sinaliza um salto significativo no pipeline de processamento visual da OpenAI. Testei-o contra a versão de janeiro do GPT-5.1, e as melhorias são mais visíveis em duas áreas: compreensão densa de documentos e interpretação de cenas espacialmente complexas.

A OpenAI coloca dezessete modelos no top 60 — o maior número de qualquer organização. A amplitude é estratégica. GPT-5 Chat em #14 é o cavalo de batalha para tarefas de visão conversacional. O3 em #16 e O4 Mini em #24 representam o ramo focado em raciocínio. GPT-5 Nano High em #50 prova que você pode obter uma visão surpreendentemente boa por uma fração do custo. Se sua pilha roda na API da OpenAI, agora há um modelo de visão otimizado para praticamente cada ponto de latência e preço.

O que vale a pena observar: GPT-5.2 High versus sua variante padrão. A versão High está em #3 enquanto o GPT-5.2 padrão está em #13 — uma diferença de trinta e quatro pontos. Essa diferença sugere que a camada High está fazendo substancialmente mais processamento visual, possivelmente passagens de inferência adicionais ou maior resolução interna. Para aplicações sensíveis ao custo, entender onde esse teto de qualidade importa versus onde a camada padrão é "boa o suficiente" será a decisão arquitetônica chave deste trimestre.

A Chegada Silenciosa da Moonshot

Se há uma coisa que aprendi acompanhando benchmarks de IA, é que os concorrentes mais perigosos se anunciam silenciosamente. A Moonshot tinha zero modelos nesta classificação no mês passado. Hoje eles têm dois no top 10.

Executei o Kimi K2.5 Thinking através da minha bateria de testes padrão. Na extração de texto em chinês e japonês — menus de restaurante, mapas de trânsito, notas manuscritas — ele igualou ou excedeu o Qwen3-VL, que eu considerava anteriormente o padrão ouro para tarefas de visão CJK. Na análise de documentos em inglês, ele se manteve firme contra o GPT-5.1. Onde ele particularmente me surpreendeu foi na cadeia de pensamento visual: dê a ele um infográfico desordenado e peça para identificar as três escolhas de design mais enganosas, e ele produz uma análise estruturada e digna de citação.

A implicação estratégica é significativa. A Moonshot está sediada em Pequim e arrecadou mais de $1 bilhão em financiamento no ano passado. Seu assistente Kimi já tem uma base de usuários massiva na China. Se continuarem iterando neste ritmo, o top 5 da arena de visão pode em breve incluir três organizações diferentes — quebrando o duopólio Google-OpenAI no topo. Para desenvolvedores construindo aplicações globais, especialmente aquelas servindo mercados asiáticos, o Kimi K2.5 merece uma avaliação séria.

O Olhar Deliberado da Anthropic

A Anthropic não está tentando vencer em velocidade ou precisão bruta. Eles estão jogando um jogo diferente, e os resultados são silenciosamente impressionantes. Claude Opus 4 Thinking em #21 e Claude Sonnet 4 Thinking em #22 lideram os nove modelos da Anthropic no top 60.

Aqui está o que separa o Claude em tarefas de visão: ele não corre para uma resposta. Mostre à maioria dos modelos uma foto e eles identificarão objetos, lerão texto, descreverão a cena. Mostre ao Claude a mesma foto e ele primeiro considera o que a imagem está tentando comunicar. Testei isso com um conjunto de charges políticas de diferentes décadas. O Gemini descreveu com precisão os elementos visuais. O GPT-5.2 forneceu contexto cultural. O Claude analisou a técnica retórica, identificou o público-alvo e explicou por que a charge aterrissaria de forma diferente em 2026 do que quando foi desenhada. Para qualquer tarefa que exija interpretar a intenção por trás do conteúdo visual — revisão de documentos legais, análise de segurança, crítica de design — a abordagem deliberada do Claude é uma vantagem genuína.

A divisão pensando-versus-não-pensando é consistente em toda a família Claude. Claude 3.7 Sonnet Thinking em #25 versus a variante não-pensante em #36 mostra uma lacuna de qualidade confiável. Se você está usando Claude para visão, sempre ative o modo de pensamento — a diferença de qualidade justifica a latência adicionada em quase todos os casos de uso que testei. As variantes não-pensantes são mais adequadas para rotulagem ou classificação simples onde a velocidade importa mais que a profundidade.

A Corrida Global de Visão

Os dias em que IA de visão significava "Google ou OpenAI" acabaram. Esta classificação agora representa treze organizações distintas em quatro continentes, e a competição no meio da tabela é onde os desenvolvimentos mais interessantes estão acontecendo.

Qwen3-VL da Alibaba em #19 continua sendo o melhor modelo de visão para extração de documentos multilíngues. Usei-o recentemente para processar um lote de contratos digitalizados em quatro idiomas — inglês, mandarim, japonês e árabe — e ele lidou com documentos de escrita mista com precisão quase perfeita, incluindo a identificação correta de quais seções eram anotações manuscritas versus texto impresso. Seu peso aberto Qwen2.5-VL-72B em #59 oferece uma opção auto-hospedável para organizações que não podem enviar imagens para APIs externas.

ERNIE 5.0 da Baidu mantém-se firme em #15. Hunyuan Vision 1.5 Thinking da Tencent está em #29. GLM-4.6V da Z.ai em #40. Os laboratórios de IA chineses coletivamente colocam doze modelos nesta classificação em cinco organizações diferentes. Essa densidade de competição dentro de um único ecossistema nacional está impulsionando a inovação mais rápido do que a maioria dos observadores ocidentais percebe.

Na Europa, a Mistral coloca quatro modelos — variantes Medium e Small — fornecendo a única opção soberana da UE para organizações vinculadas a requisitos de residência de dados. Grok 4 da xAI em #32 acumulou mais de 34.000 avaliações, tornando-se um dos modelos mais testados fora do top 20. O peso aberto da Meta Llama 4 Maverick em #49 e Scout em #57 dão aos desenvolvedores a capacidade de executar IA de visão inteiramente em sua própria infraestrutura. E as três entradas da StepFun da China demonstram que mesmo laboratórios menores podem produzir modelos de visão competitivos quando focados nas apostas arquitetônicas certas.

Para Onde Vai a IA Visual

Tenho coberto essas classificações tempo suficiente para ver padrões antes que se tornem consenso. Aqui está para onde acho que a IA visual está indo nos próximos seis meses.

A visão de cadeia de pensamento se tornará o modo de inferência padrão. Todo modelo que oferece uma variante "thinking" supera sua contraparte não-pensante — consistentemente. Kimi K2.5 Thinking versus Instant. Claude Opus 4 Thinking versus padrão. Gemini Flash Thinking versus não-pensante. O padrão é universal. Dentro de um ano, espero que "thinking" se torne o modo de inferência padrão, com "instantâneo" como a opção explícita de baixa prioridade para casos sensíveis à latência.

A compreensão de vídeo remodelará essas classificações. A maioria dos modelos aqui foi avaliada em imagens estáticas. Mas as tarefas visuais do mundo real envolvem cada vez mais vídeo — feeds de segurança, sequências de imagens médicas, controle de qualidade de fabricação, navegação autônoma. Modelos que podem raciocinar através de quadros temporais, não apenas instantâneos únicos, definirão a próxima geração desta classificação. Google e OpenAI têm pesquisas nessa direção, mas o primeiro a lançar compreensão de vídeo em nível de produção em escala ganhará uma enorme vantagem de pioneirismo que pode persistir por anos.

A camada de peso aberto romperá o top 20. No momento, o modelo de peso aberto mais alto é o Gemma 3 27B em #42. Llama 4 Maverick está em #49. Esses modelos estão melhorando mais rápido do que seus equivalentes proprietários porque se beneficiam do ajuste fino da comunidade, dados de treinamento personalizados e modificações arquitetônicas que os modelos apenas de API não podem receber. Dê mais dois trimestres, e espero pelo menos um modelo de peso aberto no top 20 — o que mudará fundamentalmente a economia da implantação de IA de visão em escala.

Modelos verticais especializados capturarão a maior parte do valor econômico. A classificação atual avalia a compreensão visual de uso geral. Mas o mercado está se movendo em direção à especialização — modelos de imagens médicas que leem raios-X melhor do que qualquer modelo geral, modelos de imagens de satélite otimizados para detecção de mudanças, IA de documentos criada especificamente para faturas e contratos. A classificação geral continuará sendo a manchete, mas o dinheiro real estará em especialistas verticais construídos sobre essas fundações.

Minhas Recomendações por Caso de Uso

Depois de testar todos os sessenta modelos em fluxos de trabalho do mundo real, aqui está minha orientação destilada. Nenhum modelo vence em todos os lugares — a escolha certa depende inteiramente do que você está construindo.