# O que é Image-Text-to-Text?

*Inteligência artificial · Última atualização: 22 de outubro de 2026*

É uma arquitetura de modelo de inteligência artificial que analisa entradas visuais e de texto em conjunto para gerar uma nova resposta em texto.

## Definição

Os modelos image-text-to-text são sistemas multimodais que permitem aos usuários fornecer entradas visuais e comandos de texto associados. Enquanto o modelo converte os pixels da imagem em vetores semânticos, ele compreende simultaneamente a consulta de texto e mescla essas duas informações para produzir uma saída de texto lógica. Eles formam a espinha dorsal de tarefas avançadas, como resposta visual a perguntas, análise de gráficos complexos e interpretação de capturas de tela.

***Analogia:** É semelhante a um médico que olha para uma radiografia enquanto lê o formulário de reclamação do paciente e, em seguida, prepara um relatório de diagnóstico escrito.*

## Como funciona

Um codificador de imagem divide a imagem em partes e extrai um mapa de características. A entrada de texto, por sua vez, é analisada pelo modelo de linguagem e ambas as entradas são combinadas em um espaço semântico comum. Graças a mecanismos de atenção estendidos, são estabelecidas conexões cruzadas entre as regiões da imagem e as palavras do texto, realizando assim a previsão final do texto.

## Onde é usado

É amplamente preferido na solução de problemas através de capturas de tela em sistemas de suporte ao cliente, e na análise de documentos e recibos. Também desempenha um papel em assistentes inteligentes que descrevem o ambiente para deficientes visuais e em relatórios de veículos autônomos.

## Costuma ser confundido com

Pode ser confundido com image-to-text. Enquanto o image-to-text apenas aceita uma imagem e produz uma legenda simples, o image-to-text-to-text recebe uma pergunta ou texto de direcionamento junto com a imagem, fornecendo respostas dinâmicas adequadas ao contexto.

## Perguntas e respostas

**Estes modelos funcionam apenas com uma única imagem?**

As arquiteturas modernas podem processar várias imagens e contextos de texto longos de forma sequencial de uma só vez.

**Quais modelos de código aberto pertencem a esta classe?**

Modelos populares de linguagem visual, como LLaVA, Qwen-VL e Idefics, são exemplos típicos dessa definição de tarefa.

## Termos relacionados

- [Multimodal](https://trescout.com/pt/dictionary/multimodal/)
- [VLM](https://trescout.com/pt/dictionary/vlm/)
- [Multimodal Large Language Model](https://trescout.com/pt/dictionary/multimodal-large-language-model/)
- [Image-to-Text](https://trescout.com/pt/dictionary/image-to-text/)

Esta explicação foi escrita em linguagem simples para a TreScout com IA e **traduzida automaticamente** do original em turco · a versão turca é a que vale. Se algo parecer errado ou faltando, escreva para [hello@trescout.com](mailto:hello@trescout.com). [Ler em turco →](https://trescout.com/dictionary/image-text-to-text/)

---
Fonte: TreScout Glossário · https://trescout.com/pt/dictionary/image-text-to-text/