Nesta página
IA de visão: analise imagens e documentos no aparelho
Os modelos de visão do Off Grid AI olham imagens e respondem perguntas sobre elas. Aponte a câmera para um documento, um produto, um diagrama ou um recibo e pergunte o que quiser.
Toda a análise roda no aparelho, com o suporte multimodal do llama.rn. Nenhuma imagem é enviada.
O que você pode fazer
- Ler recibos, notas fiscais e cartões de visita: extraia texto de fotos
- Descrever cenas: entenda o que há numa foto
- Analisar documentos: faça perguntas sobre a foto de um documento
- Identificar objetos: “o que é isto?” com uma foto
- Ler letra cursiva: com modelos fortes como o Qwen3-VL
- Código a partir de capturas de tela: mostre uma interface ao modelo e peça para recriar o código
Modelos de visão disponíveis
| Modelo | Parâmetros | RAM mínima | Velocidade | Ideal para |
|---|---|---|---|---|
| SmolVLM2 500M | 0.5B | 3GB | Muito rápida (~7 s) | Perguntas rápidas sobre imagens em aparelhos com pouca RAM |
| SmolVLM 2B | 2B | 4GB | Rápida (~8 s) | Tarefas de visão em geral |
| SmolVLM2 2.2B | 2.2B | 4GB | Rápida (~8–10 s) | Imagens e vídeo |
| Gemma 4 E2B | 2B (MoE) | 4GB | Média (~10–15 s) | A melhor visão para 4 GB, com modo de raciocínio |
| Gemma 4 E4B | 4B (MoE) | 6GB | Média (~12–18 s) | O raciocínio mais forte com visão, com modo de raciocínio |
| Qwen3-VL 2B | 2B | 4GB | Média | Visão em vários idiomas, com modo de raciocínio |
Os modelos Gemma 4 aceitam visão e modo de raciocínio juntos: eles pensam passo a passo sobre o que veem, o que melhora muito a precisão em tarefas complexas.
Como usar a visão
- Abra um chat no Off Grid AI
- Toque no ícone de anexo → escolha Camera ou Photo Library
- Escolha ou tire a foto
- Digite sua pergunta e envie
O modelo recebe a imagem e a sua pergunta. Os modelos de visão baixam sozinhos um arquivo mmproj (o projetor multimodal) na configuração; ele já está incluído no tamanho estimado do modelo.
Exemplos de prompts
Análise de documentos:
“Quais são os itens deste recibo? Me dê o total.”
Leitura técnica:
“Explique este diagrama de arquitetura.”
Letra à mão:
“Transcreva o texto desta foto.”
Perguntas visuais:
“Qual modelo de celular aparece nesta foto?”
Código a partir de uma interface:
“Escreva o código em React Native para recriar esta tela.”
Dicas
Use o Gemma 4 para raciocínio complexo: se o modelo precisa pensar com cuidado no que vê (interpretar um gráfico, resolver um problema a partir de uma foto), o modo de raciocínio do Gemma 4 entrega resultados bem melhores que um modelo mais rápido.
Use o SmolVLM para tarefas rápidas: para descrições simples ou extração de texto, o SmolVLM2 500M surpreende e é bem mais rápido.
A qualidade da imagem importa: fotos tremidas ou com pouco contraste derrubam a precisão. Para documentos, luz uniforme e ângulo reto funcionam melhor.