GuiaImagens e visãoCelular2 min de leitura

Nesta página
  1. O que você pode fazer
  2. Modelos de visão disponíveis
  3. Como usar a visão
  4. Exemplos de prompts
  5. Dicas
  6. Mais guias

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

  1. Abra um chat no Off Grid AI
  2. Toque no ícone de anexo → escolha Camera ou Photo Library
  3. Escolha ou tire a foto
  4. 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.


Mais guias

ISSO AJUDOU?
NOVIDADES DO CRIADOR