ArtículoImágenes y visiónAndroid4 min de lectura

Cómo usar IA de visión en local en tu Android en 2026 (sin nube, sin suscripción)

Tu teléfono tiene cámara y un procesador capaz de ejecutar modelos de IA multimodal. Apúntalo a un recibo o un documento y pregúntale, sin subir la imagen a ningún servidor.

En esta página
  1. Qué puede hacer la IA de visión en tu teléfono
  2. Qué necesitas
  3. Qué modelos de visión usar
  4. Cómo funciona
  5. Rendimiento real
  6. Privacidad para documentos sensibles
  7. Consejos para mejores resultados
  8. Para empezar

Tu teléfono tiene una cámara y un procesador capaz de ejecutar modelos de IA multimodal. Puedes apuntarlo a un recibo, un documento, un problema de matemáticas o cualquier otra cosa y hacerle preguntas, sin subir la imagen a ningún servidor.

Off Grid es una app gratuita que ejecuta IA de visión por completo en tu Android. No necesita internet después de descargar el modelo. Sin cuenta. Ningún dato sale de tu dispositivo. Esta guía explica cómo configurarla, qué modelos de visión funcionan mejor y qué esperar de tu hardware.

Descárgala en Google Play

Qué puede hacer la IA de visión en tu teléfono

IA de visión significa que el modelo puede ver imágenes, no solo leer texto. Le das una foto y una pregunta, y responde según lo que ve.

OGAM en iPhone leyendo la foto de un recibo de cafetería: al preguntarle el total, responde 18,90 $ con 1,40 $ de impuestos. Leyendo la foto de un recibo (iPhone)

Análisis de documentos. Fotografía un recibo, una factura o un contrato. Pide al modelo que extraiga los conceptos, los totales o cláusulas concretas. No hace falta transcribir nada a mano.

Tareas y matemáticas. Apunta la cámara a un problema de matemáticas o a un diagrama. El modelo lo lee y te guía hasta la solución.

Código en una pantalla. Toma una foto de código en una pizarra o en otra pantalla. Pide al modelo que lo explique, que encuentre errores o que lo pase a otro lenguaje.

Descripción de escenas. Fotografía cualquier cosa y pregunta qué es, qué está pasando o detalles de objetos concretos.

Accesibilidad. Describe imágenes, lee texto en fotos, identifica objetos. Todo en el dispositivo, todo privado.

Qué necesitas

Hardware mínimo: 6 GB de RAM y procesador ARM64. El modelo de visión más pequeño (SmolVLM 500M) cabe en la mayoría de los teléfonos modernos.

Hardware recomendado: 8 GB de RAM o más, Snapdragon 8 Gen 2 o superior. Así puedes usar los modelos de visión de 2B o más, que dan respuestas mucho más detalladas y precisas.

Qué cambia frente a la IA de visión en la nube: servicios como ChatGPT con visión o Google Lens ejecutan modelos enormes en servidores. Tu teléfono ejecuta modelos de visión y lenguaje más pequeños (de 500M a 8B parámetros). Fallan más en casos raros, pero rinden muy bien en tareas del día a día. A cambio, tus imágenes nunca salen del dispositivo.

Qué modelos de visión usar

Off Grid descarga automáticamente el archivo complementario (mmproj) que los modelos de visión necesitan junto al modelo principal. No tienes que configurar nada.

SmolVLM 500M. El más rápido. Unos 600 MB de descarga en total. Tarda unos 7 segundos en gama alta y 15 en gama media. Suficiente para leer documentos, describir escenas sencillas y extraer texto. Empieza por aquí.

SmolVLM 2.2B. El de más calidad para teléfonos de 8 GB o más. Respuestas mucho más detalladas. Unos 10 a 15 segundos en gama alta.

Qwen3-VL 2B. Muy buena comprensión visual en varios idiomas. Si necesitas analizar documentos en español u otros idiomas además del inglés, este es el modelo.

Gemma 3n E4B. El modelo multimodal de Google optimizado para móviles. Entiende imagen y audio, y activa solo las partes que necesita para ahorrar memoria.

Cómo funciona

Los modelos de visión y lenguaje combinan dos sistemas: un codificador de visión que “ve” la imagen y la convierte en tokens que el modelo entiende, y un modelo de lenguaje que razona sobre esos tokens junto con tu texto.

Cuando adjuntas una imagen y envías un mensaje, Off Grid carga el modelo principal y su proyector multimodal (mmproj). La imagen se procesa en local con el codificador de visión, los tokens resultantes se combinan con tu texto y el modelo de lenguaje genera la respuesta. Todo ocurre en tu teléfono.

Rendimiento real

Modelo Gama alta (8 Gen 3) Gama media
SmolVLM 500M ~7 segundos ~15 segundos
SmolVLM 2.2B ~12 segundos ~30 segundos
Qwen3-VL 2B ~15 segundos ~35 segundos

Estos tiempos son para la respuesta completa, desde que envías el mensaje hasta que ves todo el texto. El primer token aparece antes.

Privacidad para documentos sensibles

Aquí es donde la IA de visión en local marca la diferencia. Piensa en lo que fotografías:

Documentos médicos, formularios del seguro, declaraciones de impuestos, contratos, cartas personales, identificaciones, estados de cuenta. Cada vez que subes uno de estos a una IA en la nube para analizarlo, queda una copia en el servidor de otra persona.

Con Off Grid, la imagen va de tu cámara a la RAM del teléfono, al modelo y de vuelta a tu pantalla. Sin peticiones de red. Sin servidor. Sin copias fuera de tu control.

Consejos para mejores resultados

La buena luz importa. El modelo solo trabaja con lo que capta la cámara. Una foto nítida y bien iluminada da resultados mucho mejores que una borrosa y oscura.

Recorta la zona que importa. Si analizas un recibo, deja fuera todo lo demás. Menos ruido visual significa respuestas más precisas.

Sé concreto en tu pregunta. “¿Qué dice esto?” funciona. “Extrae todos los conceptos con su precio de este recibo en forma de lista” funciona mejor.

Usa el tamaño de modelo adecuado. Para extraer texto simple, SmolVLM 500M es rápido y preciso. Para razonar sobre lo que hay en una imagen compleja, usa un modelo más grande.

Para empezar

  1. Instala Off Grid desde Google Play
  2. Descarga un modelo de visión (SmolVLM 500M para empezar, unos 600 MB)
  3. Toca el icono de la cámara en el chat para tomar o elegir una imagen
  4. Escribe tu pregunta sobre la imagen
  5. Recibe la respuesta, generada por completo en el dispositivo

Off Grid también genera texto e imágenes, transcribe voz, usa herramientas y analiza documentos. Todo en local, todo en la misma app.

¿TE SIRVIÓ?
NOVEDADES DEL CREADOR