GuíaImágenes y visiónTeléfono2 min de lectura

En esta página
  1. Qué puedes hacer
  2. Modelos de visión disponibles
  3. Cómo usar la visión
  4. Prompts de ejemplo
  5. Consejos
  6. Más guías

IA de visión: analiza imágenes y documentos en el dispositivo

Los modelos de visión de Off Grid AI miran imágenes y responden preguntas sobre ellas. Apunta la cámara a un documento, un producto, un diagrama o un recibo y pregunta lo que quieras.

Todo el análisis corre en el dispositivo con el soporte multimodal de llama.rn. Ninguna imagen se sube a ningún sitio.


Qué puedes hacer

  • Leer recibos, facturas y tarjetas de visita: extrae el texto de las fotos
  • Describir escenas: entiende qué hay en una foto
  • Analizar documentos: pregunta sobre la foto de un documento
  • Identificar objetos: “¿qué es esto?” con una foto
  • Leer letra a mano: con modelos capaces como Qwen3-VL
  • Código a partir de capturas: muéstrale una interfaz al modelo y pídele que recree el código

Modelos de visión disponibles

Modelo Parámetros RAM mínima Velocidad Ideal para
SmolVLM2 500M 0.5B 3GB Muy rápida (~7 s) Preguntas rápidas sobre imágenes en equipos con poca RAM
SmolVLM 2B 2B 4GB Rápida (~8 s) Tareas de visión generales
SmolVLM2 2.2B 2.2B 4GB Rápida (~8–10 s) Imágenes y video
Gemma 4 E2B 2B (MoE) 4GB Media (~10–15 s) La mejor visión con 4 GB, con modo de razonamiento
Gemma 4 E4B 4B (MoE) 6GB Media (~12–18 s) El mejor razonamiento con visión, con modo de razonamiento
Qwen3-VL 2B 2B 4GB Media Visión en varios idiomas, con modo de razonamiento

Los modelos Gemma 4 admiten visión y modo de razonamiento a la vez: razonan paso a paso sobre lo que ven, y eso mejora mucho la precisión en tareas complejas.


Cómo usar la visión

  1. Abre un chat en Off Grid AI
  2. Toca el icono de adjuntar → elige Camera o Photo Library
  3. Elige o toma tu imagen
  4. Escribe tu pregunta y envíala

El modelo recibe la imagen y tu pregunta. Los modelos de visión descargan solos un archivo mmproj (el proyector multimodal) durante la configuración; ya está incluido en el tamaño estimado del modelo.


Prompts de ejemplo

Análisis de documentos:

“¿Qué productos hay en este recibo? Dame el total.”

Lectura técnica:

“Explica este diagrama de arquitectura.”

Letra a mano:

“Transcribe el texto de esta foto.”

Preguntas visuales:

“¿Qué modelo de teléfono aparece en esta foto?”

Código a partir de una interfaz:

“Escribe el código de React Native para recrear esta pantalla.”


Consejos

Usa Gemma 4 para razonar a fondo: si necesitas que el modelo piense bien lo que ve (interpretar un gráfico o resolver un problema a partir de una foto), el modo de razonamiento de Gemma 4 da resultados mucho mejores que un modelo más rápido.

Usa SmolVLM para tareas rápidas: para describir algo o sacar texto, SmolVLM2 500M rinde sorprendentemente bien y es mucho más rápido.

La calidad de la imagen importa: las fotos borrosas o con poco contraste bajan mucho la precisión. Para documentos, usa luz uniforme y un ángulo de frente.


Más guías

¿TE SIRVIÓ?
NOVEDADES DEL CREADOR