本地視覺模型推薦 - Kerwin AI Information

📌 本文重點

本地視覺模型可當 macOS 半自動操作助理

優先選支援 GGUF 的 4B–7B 模型在 Mac 上運行

先讓模型說步驟，再逐步接上自動點擊工作流

只要把「看得懂畫面」的開源 AI 模型裝在 Mac 上，你就能讓它幫你看截圖、找按鈕、決定滑鼠要點哪裡，變成半自動的 macOS 操作助理。

核心功能：這類模型到底能做什麼？

以下說的「模型」，指的是可以本地跑、支援視覺輸入的開源模型，本文主要參考 Towards AI 的實測：用 136 張真實 macOS 截圖，看每個模型會「點哪裡」。原文連結在此：https://pub.towardsai.net/5-best-local-open-source-models-that-can-control-your-mac-in-2026-61b4a1e4600c

💡 關鍵： 用 136 張真實 macOS 截圖實測，代表這些模型真的能理解日常桌面操作場景

這類模型的三個關鍵能力：

看截圖、理解介面元素
看一張 macOS 螢幕截圖，辨識「按鈕、選單、側邊欄、分頁」等。
實際用法：每次你截圖目前畫面，把圖丟給模型，問它「我要開 Wi-Fi 設定，下一步要點哪裡？」。
用文字描述操作步驟
模型會用文字回答：「先點右上角 Apple 圖示，再選『系統設定』，然後在側邊欄點『Wi-Fi』」。
你可以把這些回答，接到自動化工具（AppleScript、Keyboard Maestro、Shortcuts）變成真正的點擊。
預測滑鼠點擊位置
在 Towards AI 實測中，每個模型都要對截圖輸出一個「要點的座標」。
你可以用這個座標，讓腳本自動移動滑鼠並點擊，完成半自動操作。

表現最好的 5 款本地開源模型

以下是從原文與目前本地部署生態綜合整理出的 5 款代表模型，重點是：都能在 Mac 本地跑、支援視覺輸入，適合做「螢幕助手」。

提醒：各模型的具體版本與分數以原文與官方 repo 為準，這裡重點放在「怎麼選」與「怎麼用」。

名稱	核心功能	免費方案	適合誰
LLaVA / LLaVA-NeXT	經典開源視覺語言模型，理解 UI 元素佳，社群資源多	完全開源，可下載 GGUF 量化版	想要穩定、教學資源多的入門使用者
Qwen-VL (含量化版)	多語系、對中文 UI 說明友善，與 Hugging Face / llama.cpp 整合度高	開源，可用 GGUF 量化在 Mac 上跑	需要中文介面說明、希望在 M 系列 Mac 上效能更好的人
InternVL / MiniCPM-V	更偏「感知」類任務，對複雜畫面理解細節不錯	開源，多種大小模型可選	做進階 UI 分析、需要在自家產品整合的人
Phi-3-Vision 類小模型	參數較小、資源占用低，適合輕度自動化	開源，有多種量化方案	只有 8GB–16GB RAM 的 Mac，想跑得動就好
Gemma Vision / 類似視覺版小模型	Google 系列、偏向乾淨 UI 理解與指令跟隨	開源，有社群提供 GGUF	想接未來更多 Google 生態，做客製化工作流的使用者

💡 關鍵： 這 5 類模型的共通點是都能在 Mac 本地跑、支援視覺輸入，非常適合做桌面「螢幕助手」

模型差異：隱私、本地運行、資源占用

隱私
上述模型若以 GGUF / llama.cpp 在本地跑，截圖不會上雲端，非常適合有敏感資料的公司與工作機。
行動：如果你在意隱私，優先選「完全在本地推理」的方案，不要接雲端 API。
本地運行便利度
LLaVA、Qwen-VL 等都有 Hugging Face Hub 上的 GGUF 模型，可以搭配 transformers 或 llama.cpp。
Hugging Face 官方已支援 GGUF 原生載入（參考：https://huggingface.co/blog/transformers-llama-cpp-quants、Reddit 討論：https://www.reddit.com/r/LocalLLaMA/comments/1wnxm0r/ggufs_in_transformers_natively/）。
行動：選一個有 GGUF 的模型，優先跟 Hugging Face / llama.cpp 生態走，安裝流程最簡單。
資源占用
4B–7B 參數的量化模型，一般 M1 / M2 MacBook（16GB RAM）就能跑。
超過 13B 會明顯變慢，占用也大，不建議拿來做即時操作助理。
行動：先從 4B–7B 規模的 Qwen-VL 或 LLaVA GGUF 開始測試，確認速度再升級。

💡 關鍵： 4B–7B 量化模型是在一般 16GB Mac 上兼顧可用速度與效果的甜蜜點

適合誰用：3 個具體場景

懶得自己點、但不想寫複雜腳本的人
需求：常整理檔案、開特定設定、做重複的 GUI 操作，但不熟 AppleScript。
做法：用模型看截圖，讓它用自然語言說「下一步要點哪裡」，再把這些指令手動轉成 Shortcuts 或 Keyboard Maestro 流程。
需要半自動「教學 + 操作」的 IT / 內部支援
需求：公司裡常有人問「怎麼開 VPN、怎麼設定印表機」，而且每台 Mac 介面略有不同。
做法：讓模型看使用者截圖，輸出文字步驟與點擊位置，再用腳本執行或回覆說明。
想做自己的「桌面代理人」的開發者 / Maker
需求：做一個類似「螢幕助手」的小工具，幫你點按、排程例行操作。
做法：把視覺模型接到一個簡單 Python / Swift 程式，讓它每 X 秒讀取截圖，決定下一個點擊座標，交給自動化腳本執行。

怎麼開始：在普通 Mac 上裝一個模型 + 建第一個 workflow

下面用 Qwen-VL GGUF + llama.cpp 當例子，示範最短上手路徑。你可以換成 LLaVA 或其他支援 GGUF 的視覺模型，流程類似。

步驟 1：安裝基本環境

安裝 Homebrew（若已安裝可跳過）
打開 Terminal：
bash /bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"
安裝必備工具
bash brew install cmake git python

步驟 2：下載並編譯 llama.cpp

取得原始碼
bash git clone https://github.com/ggerganov/llama.cpp.git cd llama.cpp
編譯（針對 Apple Silicon 優化）
bash mkdir build && cd build cmake .. -DLLAMA_METAL=ON cmake --build . --config Release

行動：這段只需要跑一次，之後都重用同一份 llama.cpp。

步驟 3：從 Hugging Face 抓一個 GGUF 視覺模型

選模型
打開 Hugging Face，搜尋類似：
Qwen-VL-GGUF
或 llava-v1.5-7b-GGUF 等具備視覺能力、標明 GGUF 格式的模型。
使用 huggingface-cli 下載
安裝與登入：
bash pip install -U "huggingface_hub[cli]" huggingface-cli login

下載模型檔（以示意 ID 代替，請換成實際模型）：
bash huggingface-cli download myorg/Qwen-VL-4B-GGUF \ Qwen-VL-4B-Q4_K_M.gguf \ --local-dir ./models/qwen-vl-4b

行動：確保你選的是 Q4 / Q5 之類量化版本，體積較小，適合一般 Mac。

步驟 4：寫一個最簡單的「看截圖 → 建議下一步」腳本

下面用 Python 示意：

import subprocess
import os
from datetime import datetime

LLAMA_BIN = "./build/bin/llama-cli"  # 依照你編譯出的檔名調整
MODEL_PATH = "./models/qwen-vl-4b/Qwen-VL-4B-Q4_K_M.gguf"

SCREENSHOT_DIR = "./screenshots"
os.makedirs(SCREENSHOT_DIR, exist_ok=True)

# 1. 截圖目前螢幕
filename = datetime.now().strftime("%Y%m%d-%H%M%S.png")
filepath = os.path.join(SCREENSHOT_DIR, filename)
subprocess.run(["screencapture", "-x", filepath])

# 2. 準備提示詞（prompt）
prompt = (
    "你現在看到的是一張 macOS 截圖。\n"
    "目標：幫我打開『系統設定』裡的『Wi-Fi』頁面。\n"
    "請回答：\n"
    "1）下一步滑鼠應該點哪個按鈕或選單？\n"
    "2）用簡短步驟列出接下來 3 步操作。\n"
)

# 3. 呼叫模型（llama.cpp 需支援 image + text 模式，參考各模型說明）
result = subprocess.run([
    LLAMA_BIN,
    "-m", MODEL_PATH,
    "--image", filepath,
    "-p", prompt,
    "-n", "256"  # 最多生成 256 token
], capture_output=True, text=True)

print("模型回答：")
print(result.stdout)

這個腳本會：

自動抓一張當前螢幕截圖。
把截圖 + 指令丟給模型，請它說明下一步要點哪裡。
在 Terminal 印出回答，你可以照做，或下一步再把回答解析成座標、接上自動點擊腳本。

行動：先讓模型說對步驟，確認理解 UI 沒問題，再往「自動點擊」邁進。

步驟 5：接上「自動幫你點」的小 workflow

等你確認模型給的步驟足夠穩定，可再疊以下工具：

用 AppleScript / Swift 控制滑鼠
例如用 Swift / Objective-C 的 CGEvent API，或第三方 CLI 工具移動滑鼠到指定座標並點擊。
用 Keyboard Maestro / Shortcuts 固定流程
把「截圖 → 丟給模型 → 執行步驟」包成一條快捷鍵，變成半自動助手。
安全性設定
建議只在自己的機器上跑，而且限制模型只能在特定 App（設定、Finder）執行點擊，避免誤操作重要軟體。

最後整理：怎麼選、怎麼跑

如果你完全新手：從 LLaVA 或 Qwen-VL 的 GGUF 小模型開始，照本文步驟裝 llama.cpp，先讓它「說步驟」。
如果你是開發者：善用 Hugging Face 對 GGUF 的原生支援，在 transformers 中直接載入量化模型，接自己熟悉的 Python 工具鏈。
如果你只有一般 MacBook：優先選 4B–7B 量化模型，避免模型過大導致卡頓；確認隱私需求後，再考慮是否要加上雲端模型輔助。

只要先搭出第一個「幫我打開系統設定 → Wi-Fi」的小 workflow，你就有了自己的雛形桌面代理人，之後就能一步步擴充，讓 Mac 越來越懂得自己操作自己。

🚀 你現在可以做的事

到 Hugging Face 搜尋並下載一個 Qwen-VL 或 LLaVA 的 GGUF 量化模型

依照文中步驟安裝 llama.cpp，跑通第一個「看截圖 → 說步驟」的 Python 腳本

選擇 Keyboard Maestro 或 Shortcuts，把這個腳本包成快捷鍵，開始實驗你的第一個螢幕助手 workflow

標籤: 本地視覺模型推薦

用本地開源 AI 控制你的 Mac