Modelos de linguagem visual local evoluíram de um truque de festa para uma ferramenta real nos últimos doze meses. Llama 3.2 Vision roda em uma GPU de faixa média. Qwen2.5-VL lê capturas de tela melhor do que a maioria das APIs em nuvem faziam dois anos atrás. Gemma 3 multimodal do Google lida com gráficos e recibos sem muito drama. O que mudou não são apenas os modelos. Os aplicativos que os hospedam também avançaram. Você pode colocar uma captura de tela em uma janela de bate-papo no seu próprio laptop, perguntar o que ela diz e obter uma resposta clara em alguns segundos, nenhuma imagem saindo da máquina. Testamos sete dos melhores aplicativos de desktop para executar modelos de linguagem visual local no Windows, macOS e Linux, todos gratuitos para começar.
O que procurar
Algumas coisas separam os clientes de visão úteis daqueles que são desinstalados no fim de semana.
- Suporte multimodal. O aplicativo precisa carregar GGUFs de visão recentes (Llama 3.2 Vision, Qwen2.5-VL, LLaVA, Gemma 3 multimodal) sem uma compilação manual do llama.cpp.
- Espaço de cabeça VRAM. Um modelo de visão 7B com quantização de 4 bits cabe em cerca de 6 a 8 GB. O aplicativo deve avisar você antes de tentar carregar um checkpoint que não caberá.
- Entrada de imagem arrastar e soltar. Colar um caminho de arquivo funciona, arrastar uma imagem para o campo de mensagem parece software real.
- API ou GUI, idealmente ambos. Um endpoint compatível com OpenAI local permite conectar visão a extensões de editor e scripts.
- Descoberta de modelo. Hugging Face é o catálogo; aplicativos que buscam nele economizam uma etapa de download manual.
- OCR em lote e pasta. Alguns fluxos de trabalho processam uma imagem por vez. Outros precisam ler uma pasta de digitalizações.
Comparação rápida
| Aplicativo | Melhor para | Plataformas | Plano grátis | Preço inicial/mês | Avaliação |
|---|---|---|---|---|---|
| Ollama | CLI e API local que tudo se conecta | Windows, macOS, Linux | Sim (código aberto) | $0 | 4.8/5 |
| LM Studio | GUI polida com imagens arrastar e soltar | Windows, macOS, Linux | Sim | $0 | 4.7/5 |
| Open WebUI | Interface do navegador para servidor doméstico | Windows, macOS, Linux (Docker) | Sim (código aberto) | $0 | 4.6/5 |
| Jan | Cliente offline totalmente código aberto | Windows, macOS, Linux | Sim (código aberto) | $0 | 4.5/5 |
| Msty | Comparação de modelos de visão lado a lado | Windows, macOS, Linux | Sim | $0 (plano pago disponível) | 4.5/5 |
| AnythingLLM | Visão mais RAG em documentos locais | Windows, macOS, Linux | Sim (código aberto) | $0 | 4.4/5 |
| GPT4All | Cliente leve para máquinas VRAM baixa | Windows, macOS, Linux | Sim (código aberto) | $0 | 4.3/5 |
Os aplicativos
1. Ollama para CLI e API local por trás de todos os outros aplicativos
Ollama executa modelos locais por trás de um endpoint compatível com OpenAI no localhost, e o suporte multimodal agora cobre Llama 3.2 Vision, Qwen2.5-VL, LLaVA e Gemma 3 multimodal. Puxe um modelo com um comando de uma linha, canalizar um caminho de imagem para a CLI e obter uma descrição de volta no terminal. Cada outro aplicativo nesta lista pode apontar para um endpoint Ollama para a camada de inferência.
Onde fica aquém: Nenhuma GUI nativa para arrastar imagens. Você usa o terminal ou conecta um cliente de bate-papo em cima.
Preço: Grátis.
Plataformas: Windows, macOS, Linux.
Download: Ollama
Conclusão: Comece aqui. Os outros clientes se tornam mais úteis uma vez que Ollama já está em execução.
2. LM Studio para GUI polida com entrada de imagem arrastar e soltar
LM Studio combina uma janela de bate-papo limpa com uma busca integrada do Hugging Face que filtra por quant GGUF e capacidade de visão. Solte uma imagem no campo de mensagem e o aplicativo a roteia através do arquivo de projetor do modelo, para que a mesma conversa possa passar de texto para captura de tela sem nenhuma configuração. O mecanismo MLX no Apple Silicon executa Qwen2.5-VL em velocidade utilizável em um MacBook sem uma GPU discreta.
Onde fica aquém: Código fechado. Isso importa mais uma vez que o fluxo de trabalho começa a tocar imagens sensíveis que você gostaria de auditar do início ao fim.
Preço: Grátis para uso pessoal e de trabalho interno.
Plataformas: Windows, macOS, Linux.
Download: LM Studio
Conclusão: A maneira mais rápida de tentar um modelo de visão local sem tocar em um terminal.
3. Open WebUI para interface do navegador que se emparelha com Ollama
Open WebUI é a superfície de bate-papo baseada em navegador em que a maioria dos usuários de Ollama acaba. O modo multiusuário o torna uma boa opção para um servidor doméstico que todos os dispositivos na rede podem acessar. Arraste uma imagem para um bate-papo e o aplicativo a roteia para qualquer modelo multimodal que você puxou. A troca de modelo por bate-papo significa que você pode pular entre um Qwen somente texto e um Llama 3.2 com capacidade de visão no meio da conversa.
Onde fica aquém: Você está executando Docker ou uma instalação Python como ponto de entrada. Se um ícone de aplicativo nativo na dock importa, este não é.
Preço: Grátis.
Plataformas: Docker no Windows, macOS e Linux; também roda bare-metal via Python.
Download: Open WebUI
Conclusão: A escolha quando a pilha LLM reside em um servidor doméstico e todos os dispositivos na rede precisam conversar com ela.
4. Jan para cliente offline totalmente código aberto
Jan é o cliente de bate-papo de desktop totalmente código aberto que trata offline como padrão em vez de opção. Suporte de visão cobre LLaVA e Llama 3.2 Vision, e o hub de modelo marca checkpoints multimodais para que você não baixe uma compilação somente de texto por acidente. Nenhuma telemetria a menos que você opte por isso. Cada configuração é um toggle claro, não um menu três níveis de profundidade.
Onde fica aquém: O catálogo de modelos é menor que o do LM Studio, e quants raros às vezes precisam de importação GGUF manual.
Preço: Grátis.
Plataformas: Windows, macOS, Linux.
Download: Jan
Conclusão: A escolha quando a trilha de auditoria importa e clientes de código fechado estão fora da mesa.
5. Msty para cliente de bate-papo que compara dois modelos de visão lado a lado
Msty executa vários modelos locais em uma janela com visualização dividida, que é exatamente o fluxo que você quer ao escolher entre Qwen2.5-VL e Llama 3.2 Vision na mesma captura de tela. Anexe uma imagem uma vez, obtenha duas respostas, mantenha aquela que leu o recibo corretamente. O recurso Knowledge Stacks também indexa documentos locais para RAG, então consultas de imagem e texto compartilham um espaço de trabalho.
Onde fica aquém: O nível gratuito é generoso, mas alguns recursos de qualidade de vida ficam atrás do plano Aurum pago.
Preço: Nível grátis disponível. Plano Aurum pago para extras.
Plataformas: Windows, macOS, Linux.
Download: Msty
Conclusão: A escolha certa quando o fluxo de trabalho é realmente “qual modelo lidou melhor com esta imagem”.
6. AnythingLLM para visão mais RAG em modelos locais
AnythingLLM é um chatbot privado auto-hospedado que trata cada documento e, cada vez mais, cada imagem como cidadão de primeira classe em um espaço de trabalho. Aponte para um endpoint Ollama ou LM Studio local executando um modelo multimodal, e ele aceitará uploads de imagem dentro de um bate-papo, indexando-os junto com PDFs e deixando você consultar a mistura. O aplicativo de desktop é um único instalador; a compilação do servidor entra no Docker.
Onde fica aquém: O pipeline RAG adiciona peças móveis, então a primeira configuração é mais lenta que um cliente de bate-papo vazio.
Preço: Aplicativo de desktop gratuito. Nível hospedado para equipes fica atrás de um plano pago.
Plataformas: Windows, macOS, Linux.
Download: AnythingLLM
Conclusão: A escolha quando o fluxo de trabalho de visão é realmente “leia esta imagem e responda contra o resto da minha biblioteca”.
7. GPT4All para cliente leve em máquinas VRAM baixa
GPT4All da Nomic mantém a instalação pequena e a barra de hardware baixa. O suporte de visão é limitado a alguns checkpoints multimodais menores, o que está na marca de um aplicativo que tem como alvo laptops sem uma GPU discreta. O recurso LocalDocs transforma uma pasta em fonte RAG sem girar um contêiner. Não competirá com LM Studio em amplitude de modelo, mas será executado em hardware que Msty ou Open WebUI sufocaria.
Onde fica aquém: Menos modelos de visão suportados que o resto da lista, e checkpoints multimodais maiores simplesmente se recusam a carregar em hardware de especificação inferior.
Preço: Grátis.
Plataformas: Windows, macOS, Linux.
Download: GPT4All
Conclusão: A escolha quando a máquina é um laptop modesto e o modelo precisa caber na RAM do sistema.
Como escolher o certo
Combine o cliente com o modo como você realmente trabalha.
- Usuário CLI power: instale Ollama e pronto. Scripts, cron e extensões de editor fazem o resto através do endpoint compatível com OpenAI.
- GUI primeiro: LM Studio em uma máquina, Open WebUI uma vez que mais de uma pessoa ou dispositivo precisa de acesso.
- VRAM baixa: GPT4All com um checkpoint multimodal pequeno, ou LM Studio no Apple Silicon aproveitando memória unificada.
- OCR privado em escala: AnythingLLM apontado para um endpoint Ollama, indexando uma pasta de digitalizações para que as respostas possam citar páginas específicas.
- API para fluxo de trabalho de codificação: endpoint Ollama conectado a uma extensão VS Code que aceita entradas de imagem.
- Comparando modelos na mesma imagem: visualização dividida Msty, depois mantenha o vencedor como padrão em qualquer cliente que você usa diariamente.
Perguntas frequentes
Você pode executar um LLM de visão em um laptop sem GPU?
Sim, mas lentamente. Um modelo multimodal 3B ou 4B com quantização de 4 bits roda em 8 GB de RAM e um CPU moderno com tempos de resposta toleráveis para consultas pontuais. Qualquer coisa maior quer uma GPU discreta ou Apple Silicon.
Qual modelo de visão é melhor para ler capturas de tela e recibos?
Qwen2.5-VL é a escolha atual para tarefas de imagem ricas em texto, como capturas de tela, recibos e formulários. Llama 3.2 Vision é mais forte em fotos naturais e descrição de cena. Ambos rodam localmente via Ollama ou LM Studio, então você pode manter ambos instalados e alternar por tarefa.
A imagem nunca sai da minha máquina?
Não se o aplicativo estiver configurado corretamente. Ollama, Jan, Open WebUI, GPT4All e AnythingLLM executam inferência localmente por padrão e nunca enviam bytes de imagem para um servidor remoto. LM Studio e Msty também são local-first, embora ambos ofereçam rotas de modelo em nuvem opcional que você pode deixar desligadas.
Quanto VRAM eu preciso para um LLM de visão?
Um modelo de visão 7B com quantização de 4 bits cabe em cerca de 6 a 8 GB de VRAM incluindo o arquivo do projetor. Um multimodal 13B quer 10 a 12 GB. Apple Silicon usa memória unificada, então um Mac de 16 GB lida com a maioria dos modelos de visão 7B sem uma GPU separada.
Posso conectar um modelo de visão local a uma extensão de editor?
Sim. O endpoint compatível com OpenAI de Ollama aceita entradas de imagem na carga útil chat/completions padrão, portanto qualquer extensão de editor que fale formato OpenAI pode chamar um modelo de visão local em vez de um hospedado. A configuração é uma única mudança de URL base na configuração de extensão.
Um LLM de visão local é bom o suficiente para substituir uma API em nuvem para OCR?
Para varreduras e capturas de tela limpas, sim. Qwen2.5-VL em uma GPU de faixa média lê texto impresso com precisão próxima às APIs hospedadas. Para caligrafia, recibos desbotados ou páginas fortemente rotacionadas, um mecanismo OCR dedicado ainda vence. Combine um LLM de visão com uma passagem OCR clássica para os casos complicados.
