llama3.2-vision es el modelo IA multimodal de Meta que combina comprensión de texto e imágenes en un único sistema. Está disponible en dos tamaños, 11B y 90B parámetros, y se ejecuta en local a través de Ollama sin coste de licencia por uso.
Su importancia es práctica. Muchos procesos empresariales dependen de información atrapada en imágenes: facturas escaneadas, albaranes, fotos de planta o planos. Un modelo de Vision que corre en tus propios servidores permite automatizarlos sin enviar datos sensibles a terceros.
En Blixel Models Radar lo puntuamos con un 8/10. Es una de las opciones abiertas más sólidas de inteligencia artificial visual para equipos que priorizan privacidad y control de costes.
Características técnicas
| Característica | Detalle |
|---|---|
| Modelo | llama3.2-vision |
| Proveedor | Meta |
| Categoría | Vision |
| Parámetros | 11B y 90B |
| Capacidades | Visión, uso de herramientas (tools) |
| Licencia | Variable (Llama 3.2 Community License; revisar condiciones) |
| Despliegue recomendado | Ollama local |
| Coste | Gratuito (solo infraestructura propia) |
| Descargas registradas en el radar | 0 (dato aún sin actualizar, no refleja la adopción real) |
| Puntuación Blixel | 8/10 |
La versión de 11B es la más accesible: cabe en una GPU de gama media-alta con unos 8-12 GB de VRAM. La de 90B ofrece mayor precisión, pero exige hardware de servidor con decenas de gigabytes de memoria.
Un detalle importante para Europa: la licencia de Llama 3.2 ha incluido restricciones para los modelos multimodales en entidades domiciliadas en la UE. Conviene que el área legal valide las condiciones vigentes antes de un uso comercial.
Casos de uso reales
Consultoría: inspección visual de documentos
El caso estrella es la extracción de datos estructurados de documentos. Se le entrega una imagen de una factura, un contrato o un albarán y devuelve un JSON con los campos clave.
- Facturas: proveedor, NIF, fecha, base imponible, IVA y total, listos para el ERP.
- Albaranes: referencias, cantidades y discrepancias con el pedido original.
- Contratos: localización de cláusulas, fechas de vencimiento e importes.
Al ejecutarse en local, los documentos del cliente no salen de su infraestructura. Es un argumento potente en sectores con requisitos estrictos de confidencialidad, como el legal, el financiero o el sanitario.
Industria: control de calidad en línea de producción
En fábrica, llama3.2-vision puede analizar imágenes de cámaras para detectar defectos visibles como arañazos, piezas mal ensambladas o etiquetas incorrectas. También sirve para clasificar componentes por tipo o estado.
- Detección de defectos: revisión de acabados superficiales y ensamblajes.
- Clasificación de piezas: separación automática por modelo o referencia.
- Informes automáticos: descripción en lenguaje natural de cada incidencia para el equipo de calidad.
Una advertencia honesta: un modelo generalista no sustituye a un sistema de visión industrial entrenado para una tarea concreta cuando se exige latencia de milisegundos. Funciona mejor como capa de análisis flexible, para casos de baja frecuencia o inspecciones que requieren razonamiento.
Cómo desplegarlo
El despliegue recomendado es Ollama en local. Tras instalar Ollama desde su web oficial, basta un comando para descargar y ejecutar el modelo:
ollama run llama3.2-vision
Para la versión grande, especifica la etiqueta correspondiente:
ollama pull llama3.2-vision:90b
Para integrarlo en un flujo automatizado, usa la API REST de Ollama enviando la imagen codificada en base64:
curl http://localhost:11434/api/chat -d '{
"model": "llama3.2-vision",
"messages": [{
"role": "user",
"content": "Extrae proveedor, fecha y total en JSON",
"images": ["<imagen_base64>"]
}]
}'
Algunas recomendaciones prácticas para producción:
- Empieza con la versión 11B y valida la precisión con tus propios documentos.
- Pide siempre una salida en JSON con un esquema definido y valida el resultado por código.
- Usa imágenes con buena resolución y evita escaneos torcidos o con poco contraste.
- Mantén una revisión humana para documentos de alto impacto, como contratos o pagos.
Comparativa con alternativas
| Modelo | Acceso | Fortaleza | Limitación |
|---|---|---|---|
| llama3.2-vision | Local, gratuito | Privacidad y coste controlado | Requiere hardware propio; licencia a revisar |
| GPT-4V | API de pago | Gran calidad general | Los datos salen de tu entorno; coste por uso |
| Claude 3.5 Sonnet | API de pago | Excelente en documentos, gráficos y razonamiento | Dependencia de un proveedor externo |
| Qwen2-VL | Pesos abiertos | Muy bueno en OCR y contenido multilingüe | Ecosistema menos extendido en algunos entornos |
GPT-4V y Claude 3.5 Sonnet suelen ganar en precisión bruta y en razonamiento complejo. A cambio, implican enviar información a la nube y pagar por cada llamada.
Qwen2-VL es el rival más directo en el terreno abierto, con muy buen rendimiento en lectura de texto en imágenes. llama3.2-vision destaca por la facilidad de despliegue con Ollama y por el respaldo del ecosistema de Meta.
Veredicto Blixel
Puntuación: 8/10.
La capacidad de visión es crítica para muchos casos de automatización empresarial, especialmente el procesamiento de documentos. El modelo local de Meta ofrece privacidad y control de costes difíciles de igualar con alternativas en la nube.
Lo recomendamos para equipos técnicos que quieran prototipar rápido y mantener los datos en casa. Antes de producción conviene revisar la licencia, medir la precisión con documentos reales y dimensionar bien el hardware.
Puedes consultar la ficha oficial en ollama.com/library/llama3.2-vision.
Análisis generado por Blixel Models Radar y revisado por el equipo de Blixel AI.
