Visão costumava ser um upgrade pago. No catálogo de outubro de 2026, é um recurso de nível econômico: cinco modelos abaixo de $0.16/M de entrada leem imagens nativamente, uma das melhores opções onimodais é grátis, e até as escolhas premium ocidentais caíram a uma fração dos preços de visão do ano passado. Se a sua carga toca capturas de tela, documentos, verificação de UI ou fotos de produtos, o preço de enxergar entrou em colapso.
Este é um ranking guiado pelo catálogo — cada preço e etiqueta vem do catálogo ao vivo da MeshTok em 2026-10-26 (verificável na página de preços). Agrupamos por nível de preço e sinalizamos quais modelos somam áudio ou vídeo às imagens.
O campo de visão num relance
Todos os modelos abaixo carregam a etiqueta vision (entrada nativa de imagens) e são chamados por um único endpoint compatível com OpenAI em https://meshtok.com/v1:
| Model id | Contexto | Entrada $/M | Saída $/M | Extras |
|---|---|---|---|---|
agnes/agnes-2.0-flash | 512K | grátis | grátis | agêntico, tools |
bigmodel/glm-5.3-flash | 1M | $0.12 | $0.42 | tools, fast |
xiaomi/mimo-v2.6-flash | 1M | $0.15 | $0.30 | entrada de áudio |
ali/qwen3.8-flash | 1M | $0.15 | $0.45 | tools, fast |
deepseek/deepseek-v4.1-flash | 1M | $0.15 | $0.60 | reasoning |
deepseek/deepseek-v4-flash-vision-exp | 1M | $0.15 | $0.60 | linha experimental de visão |
ali/qwen3.5-omni-flash | 256K | $0.33 | $1.98 | entrada de áudio + vídeo |
google/gemini-3.8-flash | 1M | $0.75 | $3.75 | coding, reasoning, tools |
ali/qwen3.5-omni-plus | 256K | $1.04 | $5.95 | áudio + vídeo, flagship oni |
stepfun/step-5-preview | 256K | $1.04 | $2.98 | entrada de vídeo, flagship de código |
anthropic/claude-sonnet-5.5 | 1M | $2.00 | $10.00 | reasoning, tools |
anthropic/claude-opus-5.5 | 1M | $4.00 | $20.00 | flagship, reasoning, tools |
openai/gpt-6-astra | 400K | $10.00 | $50.00 | flagship da OpenAI |
Nível econômico: visão a $0.12–$0.15/M
Esse nível não existia há um ano, e é onde a maioria das cargas com volume de imagens deveria viver:
- GLM-5.3-Flash ($0.12/$0.42) — o modelo com visão mais barato do catálogo. O primeiro GLM-5 nativamente multimodal da Zhipu (320B totais/18B ativos) lê imagens na mesma faixa de preço onde, no ano passado, estavam modelos de só texto. Para classificação de capturas, leitura de recibos e moderação em escala, este é o piso de preço.
- MiMo V2.6 Flash ($0.15/$0.30) — o único modelo econômico com etiqueta
audio: imagens e som na entrada, pelo preço de saída mais barato do catálogo. Transcrever notas de voz mais entender capturas num único modelo é uma combinação genuinamente útil para ferramentas de suporte. - Qwen3.8 Flash ($0.15/$0.45) — o flash equilibrado da Alibaba: imagens mais tool-calling, janela de 1M. A escolha quando suas chamadas de visão também precisam disparar function calls.
- DeepSeek V4.1 Flash ($0.15/$0.60) — soma etiqueta de
reasoningà visão: a escolha quando as imagens exigem raciocínio (interpretar gráficos, QA de diagramas, matemática a partir de fotos). - Agnes 2.0 Flash (grátis) — zero dólares, janela de 512K, compreensão de imagens inclusa. Para prototipar pipelines de visão, smoke tests de CI e backfills, grátis ganha de barato.
Nível médio: o salto onimodal ($0.33–$1.04/M)
- Qwen3.5 Omni Flash ($0.33/$1.98) — o modelo oni verdadeiro mais barato: texto, imagem, áudio e áudio-vídeo na entrada, feito para interação em tempo real. Assistentes de voz e pipelines de compreensão de mídia começam aqui.
- Gemini 3.8 Flash ($0.75/$3.75) — o Flash mais forte do Google: visão com etiquetas de
codingereasoningnuma janela de 1M. A escolha para cargas mistas onde o mesmo modelo precisa ler capturas e escrever código a partir delas. - Qwen3.5 Omni Plus ($1.04/$5.95) — o nível flagship oni: compreensão de áudio-vídeo da mais alta qualidade quando a variante Flash não basta.
- Step 5 Preview ($1.04/$2.98) — aceita vídeo na entrada nativamente junto a texto e imagens, com etiqueta flagship de código — uma vantagem estreita mas real para vídeo-para-código e fluxos de mídia.
Nível premium: visão atrelada a flagships ($2.00–$10.00/M)
Claude Sonnet 5.5 ($2.00/$10.00) é o campeão de debug por captura: visão mais reasoning mais tools numa janela de 1M, e o caminho mais barato para ter visão dentro de um stack agêntico de primeira linha. Claude Opus 5.5 ($4.00/$20.00) e GPT-6 Astra ($10.00/$50.00) são para o extremo duro — corridas de agentes longas onde o modelo precisa ler a tela, planejar e agir por horas. Para compreensão pura de imagens, ambos são exagero; a visão deles é um bônus, não a razão de pagar.
Quanto custa um mês de tráfego de visão
Carga de referência: 1M de entrada + 0.25M de saída por dia, 30 dias (tokens de imagem faturam como entrada — é aí que o custo de visão se concentra):
| Modelo | Custo mensal | Nível |
|---|---|---|
| Agnes 2.0 Flash | $0 | grátis |
| GLM-5.3-Flash | $6.75 | econômico |
| MiMo V2.6 Flash | $6.75 | econômico + áudio |
| Qwen3.8 Flash | $7.88 | econômico + tools |
| DeepSeek V4.1 Flash | $9.00 | econômico + reasoning |
| Qwen3.5 Omni Flash | $24.75 | oni |
| Gemini 3.8 Flash | $50.63 | médio + código |
| Step 5 Preview | $53.55 | médio + vídeo |
| Claude Sonnet 5.5 | $135.00 | premium |
| Claude Opus 5.5 | $270.00 | flagship premium |
| GPT-6 Astra | $675.00 | flagship da OpenAI |
A amplitude é contundente: um mês inteiro de tráfego intenso em imagens custa $6.75 no piso econômico ou $675 no topo do mercado — 100× pelo mesmo trabalho fundamental.
Escolher por carga
- Classificação de capturas, recibos, moderação em escala → GLM-5.3-Flash (piso de $0.12 na entrada)
- Imagens + notas de voz (ferramentas de suporte) → MiMo V2.6 Flash
- Gráficos, diagramas, matemática de fotos → DeepSeek V4.1 Flash (visão + reasoning)
- Assistentes de voz, compreensão áudio-vídeo → Qwen3.5 Omni Flash → Omni Plus por qualidade
- Ler a tela e depois escrever código → Gemini 3.8 Flash ou Step 5 Preview
- Loops agênticos com capturas → Claude Sonnet 5.5 (e Opus 5.5 para o extremo duro)
- Prototipagem sem orçamento → Agnes 2.0 Flash
Experimente com uma única requisição
import base64
from openai import OpenAI
client = OpenAI(
base_url="https://meshtok.com/v1",
api_key="sk-your-MeshTok-key",
)
img = base64.b64encode(open("screenshot.png", "rb").read()).decode()
resp = client.chat.completions.create(
model="bigmodel/glm-5.3-flash", # ou mimo-v2.6-flash, gemini-3.8-flash, claude-sonnet-5.5
messages=[{
"role": "user",
"content": [
{"type": "text", "text": "Descreva cada elemento de UI nesta captura."},
{"type": "image_url", "image_url": {"url": f"data:image/png;base64,{img}"}},
],
}],
)Preços refletem o catálogo da MeshTok em 2026-10-26; números ao vivo na página de preços, detalhe por modelo em cada página de modelo. Para o nível econômico de só texto, veja As APIs de IA mais baratas por menos de $0.20/M.