Qwen3 VL 32B Instruct chega por US$ 0,42 o milhão de saída

O que está em jogo

O catálogo de modelos de IA fechou a semana com 263 modelos ativos, vindos de 41 criadores diferentes. Entrou na lista, há quatro dias, um multimodal da Qwen com 32 bilhões de parâmetros, treinado para entender texto, imagem e vídeo. O preço de tabela chama atenção: US$ 0,10 por milhão de tokens de entrada e US$ 0,42 por milhão de tokens de saída. É barato — mas barato em quê, exatamente?

O preço que você vê e o preço que você paga

A conta é simples se você só envia texto curto e recebe uma legenda. Mas um modelo de visão não funciona assim: a imagem vira tokens antes de chegar ao modelo, e essa tokenização custa. Em pipelines típicos de visão, a imagem sozinha consome entre 500 e 2.000 tokens de entrada. Some o prompt do sistema, o histórico e a resposta — e o "barato" começa a depender muito do tamanho da imagem e do comprimento da resposta.

Para comparar: o Claude Haiku 4.5, da Anthropic, cobra US$ 1 por milhão de entrada e US$ 5 por milhão de saída. O GPT-OSS-120B, da OpenAI, cobra US$ 0,15 e US$ 0,60. O Qwen3 VL 32B Instruct está abaixo dos dois em todas as colunas — entrada e saída. A diferença para o Haiku é grande o suficiente para mudar a conta no fim do mês em produtos que processam muitas imagens.

Onde ele entra no tabuleiro

Olhando o topo do catálogo hoje, a régua de inteligência coloca o OpenAI o3 na frente, com IQ 31,096 a US$ 8 por milhão de saída. Logo abaixo vem o Claude Haiku 4.5, com IQ 29,892 a US$ 5. O Qwen3 VL 32B Instruct não tem índice de inteligência publicado no catálogo — e isso não é detalhe pequeno. Sem nota, você não sabe onde ele se encaixa em raciocínio geral, em coding ou em uso agente. Só dá para afirmar que é multimodal e que cabe no bolso.

O Qwen3 Next 80B A3B Thinking, do mesmo criador, aparece com IQ 16,867 a US$ 1,20 o milhão de saída — é um modelo de raciocínio, não de visão. O GPT-OSS-20B, da OpenAI, marca IQ 15,225 a US$ 0,13. Esses são os vizinhos de preço e de proposta. O Qwen3 VL 32B Instruct custa mais que o GPT-OSS-20B na saída, mas oferece algo que o GPT-OSS-20B não oferece: entrada de imagem. É essa troca que define a escolha.

Para quem vale — e para quem não muda nada

Vale para quem está montando produto com imagem hoje e paga caro pelo Claude Haiku 4.5 só pelo multimodal. Vale para quem precisa processar vídeo em escala e quer testar uma alternativa mais barata antes de comprometer orçamento. Vale para quem já roda pipeline da Qwen e quer manter um único provedor.

Não muda nada para quem usa o modelo só para texto — existem opções mais baratas e com benchmark público. Não muda nada para quem precisa de raciocínio forte ou uso agente pesado: sem nota de IQ e sem dado de agentic no catálogo, é cedo para apostar. Não muda nada para quem exige suporte comercial em inglês, contrato enterprise ou SLA — o catálogo não traz país de origem nem tipo de suporte, e isso importa quando a fatura é corporativa.

O que fazer com isso

Se visão é o gargalo da sua conta, teste o Qwen3 VL 32B Instruct em uma rota secundária e meça custo por imagem processada, não por token. Se visão é um extra que você usa de vez em quando, espere alguém publicar benchmark independente antes de migrar. E se você está só olhando preço, lembre: o número bonito é por milhão de tokens — e em multimodal, o token que mais pesa é o da imagem.