Na tej stronie
AI wizyjne: analiza obrazów i dokumentów na urządzeniu
Modele wizyjne Off Grid AI oglądają obrazy i odpowiadają na pytania o nie. Skieruj aparat na dokument, produkt, diagram albo paragon i zapytaj, o co chcesz.
Cała analiza działa na urządzeniu, dzięki multimodalnej obsłudze llama.rn. Żaden obraz nie jest wysyłany.
Co możesz zrobić
- Czytać paragony, faktury i wizytówki: wyciągaj tekst ze zdjęć
- Opisywać sceny: zrozum, co jest na zdjęciu
- Analizować dokumenty: zadawaj pytania o zdjęcie dokumentu
- Rozpoznawać przedmioty: “co to jest?” ze zdjęciem
- Czytać pismo odręczne: z mocnymi modelami, jak Qwen3-VL
- Kod ze zrzutów ekranu: pokaż modelowi interfejs i poproś o odtworzenie kodu
Dostępne modele wizyjne
| Model | Parametry | Min. RAM | Szybkość | Najlepszy do |
|---|---|---|---|---|
| SmolVLM2 500M | 0.5B | 3GB | Bardzo szybki (~7 s) | Szybkie pytania o obraz na słabszych telefonach |
| SmolVLM 2B | 2B | 4GB | Szybki (~8 s) | Ogólne zadania wizyjne |
| SmolVLM2 2.2B | 2.2B | 4GB | Szybki (~8–10 s) | Obrazy i wideo |
| Gemma 4 E2B | 2B (MoE) | 4GB | Średni (~10–15 s) | Najlepsza jakość przy 4 GB, tryb myślenia |
| Gemma 4 E4B | 4B (MoE) | 6GB | Średni (~12–18 s) | Najmocniejsze rozumowanie z obrazem, tryb myślenia |
| Qwen3-VL 2B | 2B | 4GB | Średni | Obrazy w wielu językach, tryb myślenia |
Modele Gemma 4 łączą obrazy z trybem myślenia: rozumują krok po kroku o tym, co widzą, co mocno poprawia trafność przy trudnych zadaniach.
Jak korzystać z obrazów
- Otwórz czat w Off Grid AI
- Stuknij ikonę załącznika → wybierz Camera albo Photo Library
- Wybierz albo zrób zdjęcie
- Wpisz pytanie i wyślij
Model dostaje obraz i twoje pytanie. Modele wizyjne przy konfiguracji same pobierają plik mmproj (projektor multimodalny); jest on już wliczony w podany rozmiar modelu.
Przykładowe prompty
Analiza dokumentów:
“Jakie pozycje są na tym paragonie? Podaj sumę.”
Czytanie techniczne:
“Wyjaśnij ten diagram architektury.”
Pismo odręczne:
“Przepisz tekst z tego zdjęcia.”
Pytania o obraz:
“Jaki model telefonu jest na tym zdjęciu?”
Kod z interfejsu:
“Napisz kod React Native, który odtworzy ten ekran.”
Wskazówki
Gemma 4 do trudnego rozumowania: gdy model ma dokładnie przemyśleć to, co widzi (odczytać wykres, rozwiązać zadanie ze zdjęcia), tryb myślenia Gemmy 4 daje dużo lepsze wyniki niż szybszy model.
SmolVLM do szybkich zadań: do prostego opisu czy wyciągania tekstu SmolVLM2 500M radzi sobie zaskakująco dobrze i jest dużo szybszy.
Jakość zdjęcia ma znaczenie: rozmazane lub mało kontrastowe zdjęcia mocno obniżają trafność. Przy dokumentach najlepiej sprawdza się równe światło i zdjęcie na wprost.