PoradnikObrazy i wizjaTelefon2 min czytania

Na tej stronie
  1. Co możesz zrobić
  2. Dostępne modele wizyjne
  3. Jak korzystać z obrazów
  4. Przykładowe prompty
  5. Wskazówki
  6. Więcej poradników

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

  1. Otwórz czat w Off Grid AI
  2. Stuknij ikonę załącznika → wybierz Camera albo Photo Library
  3. Wybierz albo zrób zdjęcie
  4. 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.


Więcej poradników

CZY TO POMOGŁO?
WIEŚCI OD TWÓRCY