Di halaman ini
AI visi: analisis gambar dan dokumen di perangkat
Model visi Off Grid AI bisa melihat gambar dan menjawab pertanyaan tentangnya. Arahkan kamera ke dokumen, produk, diagram, atau struk, lalu tanyakan apa saja.
Semua analisis berjalan di perangkat lewat dukungan multimodal llama.rn. Tidak ada gambar yang diunggah.
Yang bisa kamu lakukan
- Membaca struk, faktur, dan kartu nama: ambil teks dari foto
- Menjelaskan pemandangan: pahami isi sebuah foto
- Menganalisis dokumen: tanyakan isi foto sebuah dokumen
- Mengenali benda: “ini apa?” dengan foto
- Membaca tulisan tangan: dengan model yang kuat seperti Qwen3-VL
- Kode dari tangkapan layar: tunjukkan tampilan ke model dan minta ia membuat ulang kodenya
Model visi yang tersedia
| Model | Parameter | RAM minimum | Kecepatan | Cocok untuk |
|---|---|---|---|---|
| SmolVLM2 500M | 0.5B | 3GB | Sangat cepat (~7 dtk) | Tanya jawab gambar cepat di perangkat ber-RAM kecil |
| SmolVLM 2B | 2B | 4GB | Cepat (~8 dtk) | Tugas visi umum |
| SmolVLM2 2.2B | 2.2B | 4GB | Cepat (~8–10 dtk) | Memahami gambar dan video |
| Gemma 4 E2B | 2B (MoE) | 4GB | Sedang (~10–15 dtk) | Kualitas visi terbaik untuk 4 GB, mode berpikir |
| Gemma 4 E4B | 4B (MoE) | 6GB | Sedang (~12–18 dtk) | Penalaran terkuat plus visi, mode berpikir |
| Qwen3-VL 2B | 2B | 4GB | Sedang | Visi multibahasa, mode berpikir |
Model Gemma 4 mendukung visi dan mode berpikir bersamaan: model ini menalar langkah demi langkah tentang apa yang dilihatnya, sehingga jauh lebih akurat untuk tugas yang rumit.
Cara memakai visi
- Buka chat di Off Grid AI
- Ketuk ikon lampiran → pilih Camera atau Photo Library
- Pilih atau ambil gambarmu
- Ketik pertanyaanmu lalu kirim
Model menerima gambar dan pertanyaanmu. Model visi otomatis mengunduh file mmproj (proyektor multimodal) saat pengaturan; ukurannya sudah termasuk dalam perkiraan ukuran model.
Contoh prompt
Analisis dokumen:
“Apa saja item di struk ini? Berikan totalnya.”
Bacaan teknis:
“Jelaskan diagram arsitektur ini.”
Tulisan tangan:
“Salin teks di foto ini.”
Tanya jawab gambar:
“Model HP apa yang ada di foto ini?”
Kode dari tampilan:
“Tulis kode React Native untuk membuat ulang layar ini.”
Tips
Pakai Gemma 4 untuk penalaran rumit: kalau model perlu berpikir cermat tentang apa yang dilihatnya (membaca grafik, memecahkan soal dari foto), mode berpikir Gemma 4 memberi hasil jauh lebih baik daripada model yang lebih cepat.
Pakai SmolVLM untuk tugas cepat: untuk deskripsi sederhana atau mengambil teks, SmolVLM2 500M ternyata sangat mampu dan jauh lebih cepat.
Kualitas gambar penting: foto buram atau kontras rendah menurunkan akurasi secara drastis. Untuk dokumen, cahaya merata dan sudut lurus dari depan paling bagus.