Um agente de imagens gratuito e local combina um modelo de linguagem pequeno com um backend de difusão na sua placa de vídeo. Este artigo compara as configurações ComfyUI, InvokeAI, Forge, Fooocus e Open WebUI, lista as necessidades reais de VRAM e mostra quando uma opção hospedada ajuda, quando o seu hardware não dá conta.
A maioria das pessoas que pesquisam um agente de IA gratuito para imagens quer a mesma coisa: digitar um pedido, receber uma imagem pronta e nunca ver uma cobrança. O problema é que a palavra "agente" esconde dois trabalhos separados. Uma parte pensa: lê seu pedido, escreve um prompt mais preciso, verifica o resultado e tenta de novo. A outra parte pinta: um modelo de difusão que transforma esse prompt em pixels. Dá para rodar as duas coisas em um PC doméstico por zero dólar por mês, mas só quando as peças combinam com a sua placa de vídeo.
Este artigo compara as configurações que as pessoas realmente usam em casa, mostra qual hardware cada uma exige e aponta um vencedor claro para a maioria dos leitores. Também mostra onde uma configuração local chega ao limite, porque fingir que isso nunca acontece desperdiçaria o seu fim de semana.
Um gerador de imagens comum recebe um prompt e devolve uma imagem. Um agente envolve esse processo em um ciclo. Um modelo de linguagem lê o seu objetivo ("uma foto de produto de uma caneca de cerâmica sobre um pano de linho, luz da manhã"), expande isso em um prompt detalhado, chama a ferramenta de imagem, analisa o resultado e decide se mantém a imagem ou tenta de novo.
Em uma montagem local, o cérebro costuma ser um modelo de linguagem pequeno de pesos abertos servido pelo Ollama ou pelo LM Studio. Bons candidatos de tamanho local incluem o IBM Granite 4.1 8B e o GPT OSS 20B. O pincel é um modelo de difusão rodando dentro do ComfyUI, do InvokeAI, do Forge ou de uma interface semelhante.
Rodar localmente elimina três incômodos recorrentes:
💡 Teste rápido: Se você gera menos de algumas dezenas de imagens por mês, um conjunto de ferramentas locais pode custar mais em tempo de configuração do que economiza. Se você gera centenas, ela se paga rápido.
A memória de vídeo da sua placa gráfica é o primeiro filtro. A velocidade do processador e a RAM do sistema importam bem menos. A tabela abaixo traz faixas aproximadas e práticas. Os números exatos mudam com a versão do modelo, o nível de quantização e a resolução que você pedir.
| Memória de vídeo | Modelos de imagem que rodam bem | Modelo de linguagem que cabe junto | O que esperar |
|---|---|---|---|
| 4 GB | Modelos antigos e pequenos | 3B em 4 bits | Lento, baixa resolução |
| 6 a 8 GB | SDXL com descarregamento de memória, modelos turbo compactos | 7B a 8B em 4 bits | Imagens de 1024 px utilizáveis em menos de um minuto |
| 12 GB | SDXL com folga, variantes quantizadas do FLUX | 8B em 4 bits | Trabalho diário tranquilo |
| 16 a 24 GB | FLUX 2 Dev e Qwen Image 2512 em precisão reduzida | Classe 20B | A melhor qualidade local disponível |
O modelo de imagem e o modelo de linguagem disputam a mesma memória. A solução prática é simples: deixe o ComfyUI descarregar os modelos entre as etapas e defina o valor de keep_alive do Ollama baixo, para que o modelo de linguagem saia da memória assim que escrever o prompt. Por padrão, o Ollama mantém um modelo carregado por cinco minutos, o que é tempo demais em uma placa de 8 GB.
Sem placa de vídeo dedicada? Você ainda tem opções, só que mais lentas. Os Macs com Apple Silicon compartilham memória entre o processador e a GPU, então uma máquina de 32 GB consegue carregar modelos surpreendentemente grandes. Apps gratuitos como o Draw Things são construídos em torno desse design. Um PC só com CPU roda modelos minúsculos, mas espere minutos por imagem em vez de segundos.
Aqui está o ranking honesto, do mais capaz ao mais fácil para iniciantes. Todas as ferramentas abaixo são gratuitas para baixar.
| Stack | Melhor para | Pronta para agente | Esforço de configuração |
|---|---|---|---|
| ComfyUI com Ollama ou LM Studio | Usuários avançados, pipelines repetíveis | Sim, servidor de API integrado | Alto |
| Open WebUI com Ollama | Interface de agente em estilo chat | Sim, conecta ao ComfyUI | Médio |
| InvokeAI | Edição em canvas, interface refinada | Em parte, tem API | Baixo a médio |
| Forge | Layout de WebUI familiar, menor uso de memória | Sim, com a flag da API | Médio |
| Fooocus | Usuários de primeira vez | Limitada | Baixo |
Esta é a melhor escolha geral. O ComfyUI é uma ferramenta baseada em nós, em que cada etapa de uma geração é um bloco visível. Isso parece intimidador, mas é o que o torna amigável para agentes. Qualquer fluxo de trabalho pode ser exportado no formato de API e acionado por uma chamada HTTP na porta local (8188 por padrão). Seu modelo de linguagem escreve o prompt, coloca-o no JSON do fluxo de trabalho, envia e recupera o arquivo final.
Por que ele vence:
💡 Dica: Monte e teste um fluxo de trabalho manualmente primeiro. Um agente só consegue repetir um pipeline que já funciona.
Se você quer conversar com seu agente em vez de montar JSON, o Open WebUI é o caminho mais amigável. Ele oferece uma interface de chat para modelos locais e pode enviar pedidos de imagem para o ComfyUI ou para um backend compatível com o AUTOMATIC1111. Você digita "faça três variações de uma rua chuvosa ao entardecer" e a janela de chat cuida do resto. Ele é menos flexível que a programação direta no ComfyUI, mas você pode ser produtivo em uma tarde.
O InvokeAI é de código aberto e construído em torno de um canvas. Você pinta, mascara e regenera regiões no próprio lugar, o que combina com ilustradores e fotógrafos que editam mais do que escrevem prompts. Ele é menos uma ferramenta de agente puro, mas sua API e interface limpa fazem dele uma segunda instalação sólida ao lado do ComfyUI.
O Forge é um fork mais enxuto da interface clássica do AUTOMATIC1111. Ele usa a memória com mais cuidado, então placas antigas aproveitam melhor. O Fooocus esconde quase todas as configurações atrás de uma única caixa de prompt, o que o torna a porta de entrada mais suave. Ele está em um modo de manutenção limitada, então trate-o como uma ferramenta inicial, e não como uma solução de longo prazo.
O agente é tão bom quanto o seu pincel. Veja como se alinham os modelos mais comuns, e cada um tem uma página no PicassoIA onde você pode testá-lo antes de passar uma hora baixando os pesos.
| Modelo | Ponto forte | Necessidade típica de memória |
|---|---|---|
| SDXL | Enorme comunidade, muitos fine-tunes | 8 GB |
| Stable Diffusion 3.5 Medium | Boa aderência ao prompt, placas de faixa intermediária | 10 a 12 GB |
| FLUX 2 Klein 4B | Pequeno e rápido | 8 a 12 GB |
| Z-Image Turbo | Geração em poucas etapas | Moderada |
| FLUX 2 Dev | Realismo de ponta | 16 GB ou mais |
| Qwen Image 2512 | Renderização de texto forte | 16 GB ou mais |
Se a sua placa tem 8 GB ou menos, comece com o SDXL ou o Z-Image Turbo. Modelos no estilo turbo precisam de apenas algumas etapas, o que importa muito quando um agente pode pedir de quatro a cinco tentativas por pedido. Um modelo que leva três segundos por tentativa vence um mais bonito que leva noventa.
Com 16 GB ou mais, o FLUX 2 Dev e o Qwen Image 2512 entregam a pele, o tecido e a iluminação mais convincentes que você consegue rodar em casa. As versões quantizadas trocam um pouco de detalhe por um uso de memória bem menor, e essa troca costuma valer a pena.
Leia primeiro a licença. "Gratuito para baixar" e "gratuito para qualquer uso" são coisas diferentes. O SDXL é distribuído sob uma licença aberta permissiva. O Stable Diffusion 3.5 é gratuito para empresas menores segundo os termos da comunidade da Stability. Os pesos abertos dos modelos FLUX maiores costumam ter termos não comerciais. Verifique a ficha do modelo antes de vender qualquer coisa feita com eles.
Aqui vai a versão curta, por situação:
Todo agente de imagens que funciona repete quatro movimentos:
Defina esse limite. Sem um teto de três ou quatro tentativas, um pedido teimoso pode manter sua GPU ocupada a noite toda.
O Model Context Protocol dá ao modelo de linguagem uma forma padrão de chamar ferramentas externas. O LM Studio pode atuar como host MCP, e modelos com chamada de ferramentas no Ollama podem acionar montagens semelhantes por meio de pequenos scripts de ponte. Na prática, você registra uma ferramenta ("generate_image") que encaminha o prompt para o ComfyUI e devolve um caminho de arquivo. Mantenha a ferramenta enxuta. Uma ferramenta que aceita apenas um prompt, uma proporção e um seed é mais fácil de chamar corretamente para um modelo pequeno do que uma com vinte opções.
💡 Regra de confiabilidade: Modelos de linguagem pequenos falham com esquemas de ferramentas longos. Menos parâmetros significam menos chamadas quebradas.
O local é gratuito em dinheiro e caro em atenção. Espere uma noite de instalações, alguns momentos de drivers com defeito e manutenção contínua conforme as ferramentas são atualizadas. A energia é um custo menor do que muita gente teme. Uma placa de 300 W rodando por uma hora a 15 centavos de dólar por quilowatt-hora custa cerca de 4,5 centavos de dólar. Calor e barulho da ventoinha são o incômodo diário maior, sobretudo em um cômodo pequeno.
Notebooks trazem limites próprios. Um notebook com um chip gráfico modesto consegue rodar o SDXL, mas perde desempenho quando esquenta e descarrega a bateria rapidamente. Se você trabalha em cafés ou trens, uma stack local no desktop de casa fica fora de alcance, e os modelos leves em um notebook não vão igualar o que uma placa de desktop produz.
Quando o trabalho é maior do que a sua placa, ou quando você está longe da mesa, uma rota hospedada cobre a lacuna. O PicassoIA tem um grande catálogo de texto para imagem, então você pode testar o FLUX 2 Dev, o Qwen Image 2512, o P-Image e o Seedream 4.5 sem baixar nada. Ele também hospeda um modelo de qualquer fluxo de trabalho do ComfyUI, o que é útil se você já montou um pipeline e quer rodá-lo em um hardware mais potente. Muitos leitores acabam com uma configuração híbrida: local para rascunhos e trabalhos privados, hospedado para as renderizações pesadas finais.
Este é o mesmo ciclo de um agente local, feito à mão, e é uma forma rápida de ver o que um modelo faz antes de comprometer espaço em disco com ele.
💡 Dica: Mantenha um arquivo de texto com os prompts que funcionaram. Ele vira a biblioteca inicial do seu agente local mais tarde.
Você não precisa resolver a questão local versus hospedado antes de começar. Abra o Picasso IA, escolha um modelo de texto para imagem e rode o mesmo prompt em dois ou três deles. Em dez minutos você vai ver qual estilo combina com o seu trabalho, qual modelo merece um download e quanto detalhe os seus prompts precisam. Depois monte seu agente local em torno do modelo que você já sabe que gosta, e mantenha o Picasso IA aberto nos dias em que a sua própria placa precisar descansar.
Escreva um prompt, clique em gerar e veja como fica a sua ideia.
Escolha seu idioma
