Contar calorias com IA: testamos em 68 pratos pesados na balança

A maioria dos testes de apps que contam calorias com IA usa meia dúzia de fotos e um valor “real” estimado no olho. Nós queríamos um teste mais difícil: pratos em que cada ingrediente foi pesado em laboratório, então as calorias reais são conhecidas. Passamos 68 deles por dois modelos de IA com visão, três vezes cada, e medimos o quanto as estimativas se afastavam do valor certo.

A resposta curta: o modelo mais novo que testamos (gpt-6-luna) errou 31% em média e 22% em um prato típico, quase sem viés geral (+5%). O mais antigo (gpt-5.6-luna) superestimou 51% em média e respondeu exatamente 520 kcal para 8% dos pratos, não importava o que havia neles. Os dois puxavam todo prato para uma “refeição média”: lanches pequenos saíam altos demais e pratos grandes, baixos demais.

Como fizemos o teste

• Os pratos. Pegamos 68 pratos do Nutrition5k, uma base de dados pública divulgada pelo Google Research. Cada prato foi montado em um refeitório com todos os componentes pesados, e as calorias e os macros foram calculados a partir desses pesos. Nossa amostra ia de 66 a 1.051 kcal (mediana de 498 kcal), escolhida para cobrir tanto lanches pequenos quanto pratos grandes.
• As fotos. Usamos a foto de cada prato tirada de cima, comprimida do jeito que um app de celular envia.
• Os modelos. Dois modelos de visão da OpenAI, gpt-5.6-luna e gpt-6-luna, com as mesmas instruções que um app de contagem de calorias usa em produção: dizer o nome do prato, listar os ingredientes com o peso e dar as calorias e os macros.
• As repetições. Cada foto foi enviada 3 vezes para cada configuração, para ver se a mesma imagem dá a mesma resposta.
• A pontuação. Em cada resposta, comparamos as calorias com o valor medido na balança: o erro médio, o erro em um prato típico (a mediana), a porcentagem de respostas a até 20% do valor real e o viés (se o modelo tende a errar para mais ou para menos).

Os resultados

	Modelo mais antigo	Modelo mais novo
Erro médio	58%	31%
Erro em um prato típico (mediana)	29%	22%
Respostas a até ±20% do valor real	38%	46%
Viés médio	+51% (alto demais)	+5%
Erro médio em kcal	156 kcal	111 kcal
Respostas de exatamente 520 kcal	8%	0,5%
Variação ao reenviar a mesma foto	4,7%	4,9%

O modelo mais novo cortou o erro pela metade e quase eliminou o viés. Os 31% de erro médio dele ficam bem no nível dos melhores resultados publicados: um estudo de 2025 encontrou cerca de 36% para o ChatGPT-4o e o Claude 3.5 em 52 refeições com peso conhecido.

Os números do modelo mais antigo escondem um hábito revelador. Em 204 respostas, ele usou só 32 valores de calorias diferentes, e 520 kcal apareceu 17 vezes, para pratos que iam de uma saladinha a um almoço completo. Ele não estava estimando a porção, e sim recorrendo a um número de “refeição típica”.

A IA puxa todo prato para uma refeição média

Este é o erro mediano conforme as calorias reais do prato:

Calorias reais do prato	Modelo mais antigo	Modelo mais novo
Menos de 200 kcal	+139%	+61%
De 200 a 350 kcal	+74%	+23%
De 350 a 500 kcal	+24%	-12%
De 500 a 700 kcal	+11%	-5%
Mais de 700 kcal	0%	-19%

O padrão é o mesmo nos dois modelos, só que mais forte no antigo: porções pequenas são superestimadas e porções grandes são subestimadas. Um lanche de 150 kcal pode sair como 250. Um prato de 900 kcal pode sair como 730.

Isso bate com o que pesquisadores encontraram em outros modelos de IA, em que a subestimação cresce conforme a porção aumenta. A causa é a foto: vista de cima, ela não mostra a profundidade e não deixa o modelo pesar nada, então ele se aproxima da aparência de uma refeição comum.

Mesma foto, mesmas calorias?

Na maioria das vezes, sim. Enviar a mesma foto de novo mudou a estimativa em cerca de 5% em média, com qualquer um dos dois modelos. É pouco perto do próprio erro.

A exceção é a foto ambígua. Uma delas mostrava vários donuts em um prato. O modelo mais novo costumava ler a foto como cerca de 2.100 kcal, mas em 1 de 12 tentativas viu um donut só e respondeu 300 kcal. Pedir ao modelo para contar as unidades primeiro resolveu: 0 leituras erradas em 17 tentativas, com todas as respostas entre 1.740 e 2.280 kcal.

Escrever os gramas ganha da foto

Também escrevemos as mesmas 67 receitas em texto, com os pesos exatos (“68 g de arroz integral, 21 g de mix de folhas, 3 g de azeite de oliva”), então só sobrava fazer a conta.

Configuração	Erro em um prato típico	Respostas a até ±20%
O modelo lê os gramas e dá o total	10%	75%
O modelo dá os gramas e os valores por 100 g, o app faz a soma	4,5%	88%

A primeira configuração ainda comete erros que você não esperaria. Para “200 g de iogurte grego 0% com 30 g de mel”, respondeu 181 kcal. A resposta certa é cerca de 209 kcal: cerca de 118 do iogurte e 91 do mel. Quando o modelo só precisa saber os valores por 100 g e a conta fica com o código, esses deslizes desaparecem.

Truques que não ajudaram

• Perguntar várias vezes e ficar com a resposta do meio. Três ou cinco respostas por foto, depois a mediana, deram o mesmo erro médio de 31% a 33%, com um custo duas a três vezes maior.
• Um formato detalhado, item por item, para as fotos. Pedir cada ingrediente com seus valores por 100 g empatou com o formato simples em precisão, mas a mesma foto variou mais entre as tentativas (cerca de 9,5% em vez de 5%). O principal motivo foi o óleo de cozinha: em algumas tentativas ele aparecia como item separado e em outras ficava de fora.

O que isso significa quando você registra uma refeição

1. Lanches pequenos: confira o número. A foto de um iogurte ou de uma fruta tem mais chance de ser superestimada do que subestimada.
2. Pratos grandes: confira a porção e inclua o que não aparece, como o óleo do preparo e o molho da salada. É aí que as calorias se perdem.
3. Sabe o peso? Digite. No nosso teste, uma descrição com os gramas foi cerca de cinco vezes mais precisa do que uma foto.
4. Várias unidades no prato? Confira se a contagem está certa.
5. Produtos embalados: escaneie o código de barras em vez de tirar foto. O rótulo ganha de qualquer estimativa.

Se você ainda vai definir uma meta, comece pela nossa calculadora de calorias. Para uma visão mais ampla sobre precisão, incluindo estudos sobre o quanto erramos ao anotar à mão, leia se contar calorias por foto com IA funciona, e para o básico do registro veja como contar calorias.

Os limites deste teste

• Fotos de laboratório. Os pratos do Nutrition5k foram fotografados de cima, com um equipamento fixo, em poucos refeitórios da Califórnia. Fotos tiradas em casa, em ângulo, com outras culinárias vão se comportar de outro jeito.
• 68 pratos. O bastante para ver padrões claros, não para ranquear todos os modelos em todo tipo de comida.
• Um retrato do momento. São dois modelos específicos em outubro de 2026. Os modelos mudam com frequência, então os números também vão mudar.
• Quem fez. Nós desenvolvemos o BananaCal, um app de contagem de calorias, e fizemos este teste para escolher a configuração dele. Depois do teste, passamos a análise de fotos para o modelo mais novo com a etapa de contagem, e a análise de texto para o método “valores por 100 g, soma no código”. Não temos nenhuma relação com a OpenAI além de pagar pela API dela.

Resumo

• Em 68 pratos pesados na balança, o melhor modelo de IA errou 31% em média e 22% em um prato típico, quase sem viés.
• Todos os modelos puxavam os pratos para uma refeição média: os pequenos saíam altos demais e os grandes, baixos demais.
• A mesma foto deu quase sempre a mesma resposta, exceto em pratos ambíguos.
• Escrever os gramas reduziu o erro típico para cerca de 4,5%.
• Perguntar mais vezes à IA não a deixou mais precisa.