A nossa escolha do modelo de IA para uma aplicação como o Tá no Rótulo, focado na análise detalhada de produtos e na leitura da lista de ingredientes dos rótulos, representa um grande desafio para nós, pois nos exige o equilíbrio de múltiplos fatores cruciais em uma única solução.
Vamos nos aprofundar nos detalhes da escolha que fizemos pelo Gemini 3.8 Flash e por que escolhemos este modelo.
Critérios escolhidos para a seleção
O primeiro ponto que precisamos citar é uma lista de requisitos do que procurávamos em um modelo. Os quatro pontos que levamos em consideração:
- Extração visual: usamos como base o benchmark MMMU-Pro.
- Conhecimento e raciocínio: precisávamos ter um modelo que raciocina bem em cima dos dados que coletamos do rótulo, para isso usamos o GPQA-Diamond.
- Custo: O balanceamento entre custo e qualidade é vital, para que possamos disponibilizar recursos de análise gratuitos.
- Latência e velocidade: Como a maioria dos usuários utilizam dispositivos móveis, precisamos de um modelo que faça análises rápidas.
Benchmarks
Começando a falar sobre os benchmarks que escolhemos, vamos detalhar quais benchmarks usamos, por que escolhemos e o que levamos em consideração.
MMMU-Pro
O primeiro benchmark é o MMMU-Pro, um benchmark voltado à visão, e com ele conseguimos ter parâmetros e comparações de qualidade que cada um dos modelos possui ao analisar imagens. Imagens em geral, mas também, no nosso caso, para conseguirmos ler corretamente os rótulos, ler a lista de ingredientes corretamente e informações nutricionais.
As imagens analisadas pelo Tá no Rótulo geralmente podem estar tremidas ou escuras, com baixa qualidade dependendo da qualidade da câmera do celular.
Outro ponto também é o tamanho dos textos presentes nas embalagens ou a posição onde a lista de ingredientes está posicionada, o que dificulta termos uma imagem perfeita das informações presentes no rótulo.
Analisando a pontuação dos modelos no MMMU-Pro, podemos concluir que o Gemini 3.8 Flash possui a melhor nota para esse benchmark, inclusive em todos os níveis de raciocínio.
GPQA Diamond
O GPQA Diamond é um benchmark de nível de pós-graduação, desenvolvido por especialistas com PhD para avaliar o raciocínio científico complexo em áreas como biologia, física e química, indo além da simples busca por informações. Utilizamos esse benchmark porque precisamos de um modelo que tenha um bom nível de conhecimento e raciocínio sobre os ingredientes e produtos alimentícios.
Aqui novamente temos o Gemini 3.8 Flash com uma ótima performance, tendo a melhor nota do benchmark. Nesse benchmark, notamos que outros modelos têm notas muito próximas, uma pequena diferença entre os principais modelos de cerca de 2% (entre 93,2% e 95,3%).
Um ponto relevante para nós é que, mesmo o Gemini 3.8 Flash tendo a melhor nota, ele também possui um dos menores custos do benchmark entre os demais modelos.
Requisitos necessários
Alguns requisitos foram usados por nós para filtrar e remover modelos que não se adequam ao caso de uso do Tá no Rótulo.
Latência e tempo de resposta
A maioria das interações com o Tá no Rótulo ocorre em movimento: o usuário escaneia a embalagem na gôndola do supermercado comparando duas opções. Ao contrário de fluxos desktop assíncronos, consultas móveis exigem resposta quase síncrona. Modelos de grande porte com alto custo de ativação violavam nosso SLA interno de latência ponta a ponta. A velocidade de inferência do Gemini 3.8 Flash permitiu processar imagem e geração de saída dentro da janela de atenção imediata do usuário móvel.
Custo
O quarto item que analisamos foi o custo. O Gemini 3.8 Flash oferece para nós um dos melhores balanceamentos de custo-benefício. Ao compará-lo com opções como o GPT-5.6 Luna, o Claude Opus 5 ou Sonnet 5, elas apresentam valores significativamente mais elevados. Embora existam alternativas mais econômicas no mercado, elas não entregam o nível de qualidade que exigimos para esse tipo de análise.
As nossas análises comparativas evidenciam o excelente equilíbrio do Gemini 3.8 Flash em diferentes métricas:
- MMMU-Pro vs. Custo: Apresenta um desempenho extremamente satisfatório.
- GPQA vs. Custo: Entrega ótimos resultados mantendo um valor reduzido.
- Velocidade vs. Custo: Demonstra um balanceamento altamente eficiente.
Conclusão
Olhando para os 4 itens que utilizamos como critérios, a escolha ficou óbvia para nós em relação ao Gemini 3.8 Flash. Encontramos um nível de conhecimento elevado nos benchmarks relevantes para o nosso caso de uso, custo baixo e velocidade para análises sob demanda.
Isso torna possível construirmos o Tá no Rótulo com uma das melhores tecnologias de IA, garantindo a leitura correta das informações dos rótulos, análise avançada e criteriosa dos ingredientes e informações nutricionais, sem custo e com uma usabilidade rápida e agradável.