En esta página
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
- Abre un chat en Off Grid AI
- Toca el icono de adjuntar → elige Camera o Photo Library
- Elige o toma tu imagen
- 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.