已验证65% 置信事实时间未知

Gemma系列模型采用SigLIP视觉编码器来处理图像输入

3

来源数

65%

置信度

长期有效

时效性

2026/6/1

首次发现

来源

localOCR：本地部署的开源OCR方案，支持Gemma-4等视觉模型

githubCuriosity-Ai-BV

涉及实体

Gemmamodel SigLIPconcept

相关事实

待验证Gemma 4支持完全离线状态下的图像文字提取（OCR），采用视觉-语言多模态架构75% 相似待验证Gemma 3系列支持文本、图像、音频和视频的理解与生成，其较小的模型规格（如4B、12B参数版本）即可在消费级GPU上运行70% 相似待验证Gemma 4 在 Apple Silicon 上现在会为每张图片自动选择最佳分辨率以保留更多细节67% 相似待验证新模型获得了原生视觉输入能力，能够读取视觉输入并访问浏览器以'看到'自己的输出并迭代67% 相似待验证视觉模型接收每张屏幕截图并输出结构化信息，包括OCR识别文本、页面布局、UI控件的像素坐标框及元素状态66% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/29139

API

curl https://kongchang.com/api/v1/knowledge/claims/29139

MCP

get_claim(id=29139)