Sur cette page
IA de vision : analyser images et documents sur l’appareil
Les modèles de vision d’Off Grid AI regardent des images et répondent à tes questions. Pointe ta caméra vers un document, un produit, un schéma ou un ticket de caisse, et demande ce que tu veux.
Toute l’analyse tourne sur l’appareil, via le support multimodal de llama.rn. Aucune image n’est envoyée.
Ce que tu peux faire
- Lire tickets, factures et cartes de visite : extraire le texte des photos
- Décrire des scènes : comprendre ce que montre une photo
- Analyser des documents : poser des questions sur la photo d’un document
- Identifier des objets : “c’est quoi ?” avec une photo
- Lire l’écriture manuscrite : avec des modèles solides comme Qwen3-VL
- Du code à partir de captures : montre une interface au modèle et demande-lui de recréer le code
Modèles de vision disponibles
| Modèle | Paramètres | RAM min. | Vitesse | Idéal pour |
|---|---|---|---|---|
| SmolVLM2 500M | 0.5B | 3GB | Très rapide (~7 s) | Questions rapides sur des images, appareils avec peu de RAM |
| SmolVLM 2B | 2B | 4GB | Rapide (~8 s) | Tâches de vision courantes |
| SmolVLM2 2.2B | 2.2B | 4GB | Rapide (~8–10 s) | Images et vidéo |
| Gemma 4 E2B | 2B (MoE) | 4GB | Moyenne (~10–15 s) | Meilleure vision pour 4 Go, mode réflexion |
| Gemma 4 E4B | 4B (MoE) | 6GB | Moyenne (~12–18 s) | Raisonnement le plus solide avec la vision, mode réflexion |
| Qwen3-VL 2B | 2B | 4GB | Moyenne | Vision multilingue, mode réflexion |
Les modèles Gemma 4 gèrent la vision et le mode réflexion ensemble : ils raisonnent étape par étape sur ce qu’ils voient, ce qui améliore nettement la précision sur les tâches complexes.
Utiliser la vision
- Ouvre une conversation dans Off Grid AI
- Touche l’icône de pièce jointe → choisis Camera ou Photo Library
- Choisis ou prends ta photo
- Écris ta question et envoie-la
Le modèle reçoit l’image et ta question. Les modèles de vision téléchargent automatiquement un fichier mmproj (le projecteur multimodal) à l’installation ; il est déjà compté dans la taille indiquée.
Exemples de prompts
Analyse de documents:
“Quels sont les articles sur ce ticket ? Donne-moi le total.”
Lecture technique:
“Explique ce schéma d’architecture.”
Écriture manuscrite:
“Retranscris le texte de cette photo.”
Questions visuelles:
“Quel modèle de téléphone voit-on sur cette photo ?”
Du code à partir d’une interface:
“Écris le code React Native pour recréer cet écran.”
Astuces
Gemma 4 pour les raisonnements complexes : si le modèle doit bien réfléchir à ce qu’il voit (lire un graphique, résoudre un problème à partir d’une photo), le mode réflexion de Gemma 4 donne de bien meilleurs résultats qu’un modèle plus rapide.
SmolVLM pour les tâches rapides : pour une description simple ou extraire du texte, SmolVLM2 500M est étonnamment bon et bien plus rapide.
La qualité de l’image compte : une photo floue ou peu contrastée fait chuter la précision. Pour les documents, un éclairage uniforme et un angle bien de face donnent les meilleurs résultats.