Een thuis-NAS kan bepaalde workloads met lokale AI uitvoeren zonder aparte GPU, maar de nuttige vraag is niet simpelweg of het model start. De echte vraag is of de workload past bij je CPU, beschikbare RAM, modelgrootte, opslagwerkzaamheden en je geduld met de responstijd.
Voor veel thuisgebruikers is een NAS zonder GPU een goede plek om te experimenteren met kleine modellen, embeddings, lokaal zoeken en privéworkflows in RAG-stijl. Dat wordt minder praktisch wanneer de taak realtime chat met grotere modellen, zware beeldgeneratie, redeneren met een lange context of AI-taken op de achtergrond vereist terwijl er tegelijk back-ups worden gemaakt, media worden geïndexeerd of bestanden worden overgezet.
Kort gezegd: geen aparte GPU betekent niet dat er geen grenzen zijn
Ja, je kunt lokale AI uitvoeren op een thuis-NAS zonder aparte GPU, vooral als je kleine of gekwantiseerde modellen gebruikt en de NAS beschouwt als een lokale AI-box met laag stroomverbruik, niet als een snelle workstation. Een configuratie met alleen CPU kan nuttig zijn voor experimenten, lichte chats, lokaal zoeken in documenten, embeddings en indexering op de achtergrond.
De beperking is de bruikbaarheid. Een model dat technisch gezien wordt geladen, reageert mogelijk nog steeds te traag, gebruikt te veel geheugen of maakt de NAS traag terwijl die ook bestanden deelt, containers uitvoert, back-ups verwerkt of media streamt.
De misvatting die je moet vermijden is eenvoudig: geen aparte GPU betekent niet dat er geen hardwarebeperkingen zijn. Zonder GPU-versnelling leunt je NAS sterk op CPU-threads, systeemgeheugen, opslagsnelheid en taakplanning.
Wat lokale AI realistisch gezien kan doen op een thuis-NAS
Een thuis-NAS zonder aparte GPU is doorgaans geschikter voor lichte of achtergrondtaken met AI dan voor snelle, interactieve generatie. De beste workloads om mee te beginnen zijn klein genoeg om comfortabel in het geheugen te passen en kunnen tragere responstijden verdragen. Denk aan lokaal zoeken, embeddings, kleine chatmodellen, documentindexering, eenvoudige samenvattingen en experimenten met een privékennisbank.
Ollama is een praktisch voorbeeld, omdat de documentatie zowel een Docker-optie met alleen CPU als aparte GPU-opties beschrijft. Dat betekent niet dat CPU-inferentie op elke NAS snel aanvoelt. Het betekent alleen dat het hosten van lokale modellen met alleen CPU een prima startpunt is als het model en de verwachtingen bescheiden genoeg zijn.
Dit onderscheid is belangrijk, omdat ‘lokale AI’ heel verschillende workloads omvat. Een klein model van 1B tot 3B korte vragen stellen is niet hetzelfde als een model van 70B uitvoeren, afbeeldingen genereren, een groot archief transcriberen of een semantische index maken van jaren aan foto’s en video’s.
De echte knelpunten: CPU, RAM, modelgrootte en achtergrondtaken van de NAS
CPU-inferentie
CPU-inferentie is de meest basale optie voor een NAS zonder aparte GPU. Het kan werken, maar voelt meestal trager aan dan cloud-AI of een desktop-GPU. De CPU moet de tokens genereren, terwijl de NAS mogelijk ook bestandsshares beheert, Docker-apps uitvoert, media scant en systeemservices draait.
Een moderne CPU met betere ondersteuning voor instructies kan kleine modellen beter bruikbaar maken, maar verandert niets aan de fundamentele afweging. Hoe meer actieve gebruikers, containers, bestandsbewerkingen en AI-verzoeken je tegelijk hebt, hoe groter de kans dat de NAS de bottleneck wordt.
Systeemgeheugen
Zonder VRAM is lokale AI sterk afhankelijk van het systeemgeheugen. Het model, de runtime, de webinterface, embeddings, bestandsservices, Docker-containers en het besturingssysteem maken allemaal gebruik van hetzelfde geheugen. Als het model ervoor zorgt dat het systeem intensief naar schijf gaat wisselen, kan de ervaring snel achteruitgaan.
Daarom is het vrije geheugen belangrijker dan de totale hoeveelheid geïnstalleerd geheugen op papier. Een NAS met 16 GB RAM kan nog steeds krap zitten als er al meerdere Docker-containers, mediatools, synchronisatietaken en bestandsservices actief zijn. Controleer voordat je een model laadt hoeveel RAM er tijdens normaal NAS-gebruik overblijft, en niet alleen na een herstart.
Modelgrootte en kwantisering
De modelgrootte is vaak doorslaggevend. Kleinere modellen laden sneller, gebruiken minder geheugen en zijn realistischer voor experimenten die alleen op de CPU draaien. Grotere modellen starten misschien wel, maar worden frustrerend als elk antwoord te lang duurt.
Hier is integerkwantisering van belang. llama.cpp beschrijft kwantisatieniveaus die het geheugengebruik verlagen en de inferentiesnelheid kunnen verbeteren. Daarom gebruiken veel CPU-vriendelijke lokale AI-opstellingen gekwantiseerde GGUF-modellen. De praktische les is niet: ‘gebruik het grootste model dat je kunt laden’, maar: ‘gebruik het kleinste model dat goed genoeg is voor de taak’.
Welke AI-werklasten zijn het meest geschikt voor een NAS zonder GPU?
Lichte chat en kleine modellen
Kleine chatmodellen zijn de eenvoudigste manier om te testen of je NAS lokale AI überhaupt aankan. Ze zijn handig voor korte prompts, eenvoudige teksten, uitleg van opdrachten, basishulp bij programmeren of lokale experimenten. Het doel is niet om een geavanceerd cloudmodel te evenaren, maar om te controleren of de NAS een antwoord kan geven binnen een voor jou aanvaardbare tijd.
Begin met een kleiner model voordat je een groter model probeert. Als de NAS bij de eerste test al traag wordt, lost een groter model het probleem niet op. Als het kleine model goed genoeg werkt, kun je iets grotere of beter gekwantiseerde modellen testen en daarbij het CPU-gebruik, het geheugengebruik en de reactietijd in de gaten houden.
Embeddings, indexeren en private RAG
Embeddings en private RAG zijn mogelijk geschikter voor een NAS, omdat de werklast vaak op de achtergrond kan plaatsvinden. De NAS slaat al documenten, notities, foto's, media en archieven op, dus lokaal indexeren is logisch wanneer privacy en lokale opslag belangrijk zijn. De taak vereist nog steeds systeembronnen, maar hoeft niet altijd live tokens te genereren op chatsnelheid.
Het grootste risico zit in de planning. Als het indexeren begint terwijl er back-ups worden gemaakt, media worden gescand of bestanden worden overgezet, kan de NAS traag aanvoelen, zelfs als de AI-taak technisch gezien werkt. Bij dit soort werklast kun je het indexeren vaak beter tijdens rustige uren uitvoeren en testen hoeveel invloed het heeft op de normale toegang tot bestanden.
AI-zoeken voor lokale bestanden en media
AI-zoeken is een van de meer voor de hand liggende toepassingen voor een NAS, omdat het lokale opslag verbindt met lokaal inzicht. In plaats van de NAS te gebruiken als een algemeen AI-werkstation, helpt de AI-laag bestanden die al op het apparaat staan te classificeren, doorzoeken of ophalen.
Ook hierbij is het belangrijk de verwachtingen helder te houden. AI-zoeken kan modeldownloads, kenmerkextractie, achtergrondverwerking en periodieke pieken in het gebruik van systeembronnen omvatten. Het is meestal niet hetzelfde als een chatbot vragen om direct antwoord te geven op basis van een groot model.
Wat je moet vermijden op NAS-hardware met alleen een CPU
Een NAS met alleen een CPU is meestal niet geschikt voor zware beeldgeneratie, live chat met grote modellen, redeneren met een lange context en meerdere gelijktijdige AI-gebruikers. Deze werklasten kunnen te veel geheugen verbruiken, CPU-threads volledig benutten en de basistaak van de NAS verstoren.
Voorkom ook dat je experimentele AI-taken uitvoert tijdens kritisch opslagwerk. Als de NAS opslag opnieuw opbouwt, back-ups naar de cloud synchroniseert, media indexeert, video streamt of belangrijke bestandsoverdrachten afhandelt, kan zware inferentie daarbovenop het oplossen van problemen lastiger maken. Een veilige lokale AI-configuratie moet optioneel en stopbaar zijn, en mag de kerntaken voor opslag niet in gevaar brengen.
Vermijd deze aanpakken bij je eerste test:
- Beginnen met een groot model, alleen omdat het populair is.
- Meerdere AI-containers starten voordat je één stabiele oplossing hebt getest.
- Een webinterface beschikbaar maken op het netwerk voordat je de authenticatie en toegangsrechten hebt gecontroleerd.
- AI-indexering tegelijk met back-ups of mediascans laten draaien.
- Ervan uitgaan dat een geslaagde installatie betekent dat de configuratie geschikt is voor dagelijks gebruik.
Een praktische beslissentabel voordat je iets installeert
Bepaal voordat je een lokale AI-stack installeert wat de NAS moet doen. De verkeerde werklast kan een goede NAS zwak laten aanvoelen, terwijl de juiste werklast een bescheiden apparaat nuttig kan maken voor privé-AI-experimenten.
| Installatie of werklast | Gebruiken wanneer | Vermijden wanneer | Wat er meestal gebeurt |
|---|---|---|---|
| Klein lokaal chatmodel op de CPU van de NAS | Je wilt experimenteren met korte prompts en licht privégebruik | Je verwacht cloudachtige snelheid of de kwaliteit van een groot model | Werkt, maar de reactiesnelheid hangt sterk af van de CPU en de modelgrootte |
| Embeddings of privé-RAG-indexering | Je bestanden staan al op de NAS en achtergrondverwerking is prima | Je hebt tijdens drukke uren direct indexering nodig voor een grote bibliotheek | Handig voor zoeken, maar moet worden ingepland en gecontroleerd |
| Open WebUI op de NAS, model ergens anders | Je wilt dat de NAS de interface host en een krachtigere machine de inferentie uitvoert | Je wilt alles in één energiezuinig kastje hebben | Vaak beter in gebruik, omdat rekenwerk gescheiden is van opslagtaken |
| Versnelling via iGPU of externe GPU | Je NAS-platform ondersteunt het hardwarepad en de stuurprogramma's | U wilt geen werk met stuurprogramma's, passthrough of compatibiliteit | Kan de reactiesnelheid verbeteren, maar maakt de configuratie ingewikkelder |
| Afbeeldingen genereren of live chatten met een groot model op de CPU | Je wilt alleen een proof of concept en kunt wachten | Je hebt het vaak, snel of betrouwbaar nodig voor dagelijks gebruik | Meestal frustrerend op een NAS met alleen CPU-hardware |
Gebruik de tabel als richtlijn, niet als belofte. Als de belasting bij de kolommen links past maar de NAS toch traag maakt, kies dan een kleiner model of verplaats het rekenwerk. Als de belasting in de kolom ‘Vermijden’ valt, test dan liever op een desktop, mini-pc, eGPU of externe GPU voordat je de NAS de schuld geeft.
Opstellingen die doorgaans beter werken
Alles op de NAS uitvoeren
De model-runtime en webinterface op de NAS uitvoeren is de eenvoudigste aanpak. Zo blijft de hele stack op één plek en werkt het goed voor lichte tests. Dit is een redelijke keuze als het model klein is, er weinig gebruikers zijn en de NAS voldoende vrij geheugen heeft.
Het nadeel is dat de apparaten om dezelfde resources concurreren. Als de AI-runtime, UI, bestandsservices, back-ups en mediatools allemaal één apparaat delen, heeft de NAS geen aparte reservecapaciteit voor rekenwerk. Als de prestaties tegenvallen, is de eerste oplossing meestal niet een complexere UI, maar een kleiner model, minder gelijktijdige taken of een ander rekenpad.
Host de webinterface op de NAS en voer modellen elders uit
Een opstelling met twee apparaten is vaak praktischer. De NAS host de webinterface en slaat gegevens op, terwijl een desktop, mini-pc of machine met een GPU het model uitvoert. Open WebUI ondersteunt een configuratie die verbinding kan maken met Ollama op een andere server, wat goed bij deze aanpak past.
Zo krijg je een overzichtelijkere lokale AI-workflow zonder dat de NAS-CPU al het inferentiewerk hoeft te doen. De NAS blijft bruikbaar als altijd beschikbare interface- en opslaglaag, terwijl de modelgeneratie zwaardere taken uitvoert op hardware die daar beter geschikt voor is.
Gebruik iGPU- of externe GPU-versnelling indien beschikbaar
Sommige NAS-platforms hebben een geïntegreerde GPU of ondersteunen externe versnelling. Dit kan de bruikbaarheid van lokale AI verbeteren, maar dat gaat niet vanzelf. Driverondersteuning, toegang vanuit containers, compatibiliteit met de backend, gedeeld geheugen en modelvereisten spelen allemaal een rol.
Als iGPU-versnelling beschikbaar is, test die dan als een afzonderlijk rekenpad in plaats van ervan uit te gaan dat die zich gedraagt als een dedicated GPU. Houd dezelfde zaken in de gaten: reactiesnelheid, CPU-belasting, geheugendruk, laadtijd van het model en of normale NAS-taken stabiel blijven.
Prestaties testen zonder je NAS te verstoren
Een goede test moet meer aantonen dan alleen dat de container is gestart. Je moet weten of de NAS bruikbaar blijft terwijl het model geladen is en antwoorden geeft. Gebruik één klein model, één UI-route en één herhaalbare prompt voordat je meer tools toevoegt.
Begin met deze testvolgorde:
- Controleer hoe de NAS zich normaal gedraagt voordat je de AI start: bestanden doorbladeren, het Docker-dashboard, de mediabibliotheek en de back-upstatus.
- Start de AI-runtime en laad een klein of gequantiseerd model.
- Stel dezelfde korte prompt drie keer en noteer of de antwoorden bruikbaar aanvoelen.
- Houd de CPU-belasting, het RAM-gebruik, het wisselgedrag en de containerlogs in de gaten.
- Open bestanden of blader door een gedeelde map terwijl het model genereert.
- Stop de AI-container en controleer of de NAS snel weer normaal werkt.
- Herhaal de test alleen met een iets groter model als de eerste test slaagt.
Voor formelere tests bevat llama.cpp een benchmark voor tokens per seconde via llama-bench. Je hoeft niet van elke test op je thuis-NAS een labrapport te maken, maar je moet genoeg meten om niet te hoeven gokken. Als het systeem traag aanvoelt, is het belangrijk om te achterhalen of de knelpunten de modelgrootte, CPU-threads, geheugendruk, opslagbelasting of een andere NAS-taak zijn die tegelijkertijd wordt uitgevoerd.
Bij een laatste controle moeten vijf vragen worden beantwoord:
- Is de reactiesnelheid acceptabel voor de taak?
- Blijft het RAM-gebruik stabiel zonder intensief wisselen naar schijf?
- Kunnen bestanden, back-ups en mediaservices normaal blijven werken?
- Kan de AI-workload worden gestopt of ingepland?
- Is de webinterface alleen toegankelijk voor vertrouwde gebruikers en netwerken?
Als het antwoord op een van deze vragen nee is, moet de configuratie kleiner, beter geïsoleerd of uitbesteed worden.
Fouten waardoor lokale AI slechter aanvoelt dan nodig
Fout 1: Beginnen met een te groot model
Fout: De gebruiker begint met een populair model van 7B, 13B of groter, omdat dat krachtiger klinkt.
Waarom dit gebeurt: Modelaanbevelingen zijn vaak geschreven voor gaming-pc's, GPU-werkstations of cloudservers, en niet altijd voor energiezuinige NAS-processors. Een model dat in een benchmark geschikt lijkt, kan heel anders aanvoelen op een apparaat dat ook bestanden serveert.
Waarom dit riskant is: De NAS kan te veel tijd kwijt zijn aan laden, wisselen naar schijf of langzaam genereren. Daardoor kan de eerste ervaring met lokale AI aanvoelen alsof er iets mis is, zelfs wanneer de software correct is geïnstalleerd.
Veiliger alternatief: Begin met een kleiner, gekwantiseerd model en test de werkelijke reactiesnelheid voordat je een groter model probeert.
Controle: Reageert het kleine model soepel en blijft de NAS responsief, test dan de volgende grootte. Wordt de NAS meteen trager, dan is het model al te groot voor deze configuratie.
Fout 2: RAM-vereisten als optioneel beschouwen
Fout: De gebruiker controleert het CPU-model, maar negeert hoeveel geheugen er tijdens normaal NAS-gebruik vrij blijft.
Waarom dit gebeurt: In veel AI-installatiehandleidingen wordt wel over de modelgrootte gesproken, maar wordt er geen rekening mee gehouden dat Docker-apps, bestandsservices, mediatools en het besturingssysteem hetzelfde RAM delen.
Waarom dit riskant is: Geheugendruk kan vertragingen, mislukte modelinvoer, instabiele containers of intensief wisselen naar schijf veroorzaken. Op een opslagserver kan dat gevolgen hebben voor meer dan alleen de AI-app.
Veiliger alternatief: Controleer vóór en tijdens het uitvoeren van inferentie hoeveel RAM beschikbaar is en houd voldoende ruimte over voor normale NAS-services.
Validatie: Voer het model uit terwijl je door bestanden bladert en het geheugengebruik in de gaten houdt. Als het systeem veel gaat swappen of andere services trager worden, verklein dan het model of verplaats de berekeningen naar een ander systeem.
Fout 3: Zware AI-taken uitvoeren tijdens back-ups of mediataken
Fout: AI-indexering, chatinferentie, mediascans en back-uptaken worden allemaal tegelijk uitgevoerd.
Waarom dit gebeurt: NAS-gebruikers beschouwen achtergrondtaken vaak als onzichtbaar totdat de prestaties teruglopen. AI-taken maken die aanname kwetsbaarder, omdat ze het CPU-, RAM-, schijf- of netwerkgebruik sterk kunnen laten pieken.
Waarom dit riskant is: De NAS kan traag worden tijdens precies die taken die hij betrouwbaar moet uitvoeren. Als je tijdens een back-up problemen gaat oplossen, is het lastiger vast te stellen of het AI-model, de container, de opslagpool of de back-uptaak het probleem heeft veroorzaakt.
Veiliger alternatief: Plan zware AI-taken tijdens rustige uren en voer geen experimenten uit tijdens opslagkritieke werkzaamheden.
Validatie: Voer dezelfde AI-taak uit tijdens een rustige periode en nogmaals terwijl normale services actief zijn. Als de tweede uitvoering back-ups, media of toegang tot bestanden verstoort, moet je de taak beperken of inplannen.
Fout 4: «Het werkt» verwarren met «Het is bruikbaar»
Fout: De gebruiker ziet een container die succesvol start of een eerste modelantwoord als bewijs dat de NAS klaar is voor dagelijks gebruik van lokale AI.
Waarom dit gebeurt: Installatiehandleidingen stoppen vaak na het eerste geslaagde antwoord. In de praktijk is het anders, omdat prompts langer worden, bestanden worden geïndexeerd, meerdere gebruikers verbinding maken en achtergrondtaken elkaar overlappen.
Waarom dit riskant is: Een configuratie die tijdens één korte test werkt, kan mislukken bij het doorzoeken van echte documenten, het indexeren van familiefoto's of een lange chatsessie.
Veiliger alternatief: Test een realistische sessie voordat je de taak ingeschakeld laat.
Validatie: Voer dezelfde NAS-taken uit als gewoonlijk en test vervolgens de reactiesnelheid van de AI, het bladeren door bestanden, de systeembelasting en hoe je de taak stopt. Als de NAS stabiel blijft, past de taak beter.
Hoe dit van toepassing is op een echte workflow voor AI-zoeken op een NAS
Lokale AI op een NAS is vaak het nuttigst wanneer die de bestanden verbetert die er al zijn opgeslagen. Zoeken met AI is een goed voorbeeld: het kan media en documenten omzetten in een doorzoekbare bibliotheek, maar laat ook zien waarom lokaal AI-gebruik resourceplanning vereist. Functie-extractie, modeldownloads, mediascans en zoekindexering zijn achtergrondtaken, niet zomaar een chatvenster.
Dezelfde regel geldt in een ZimaOS-omgeving. De AI-zoekmodule van ZimaOS is ontworpen om zoekopdrachten te ondersteunen door AI lokaal te gebruiken om kenmerken uit afbeeldingen, audio en video te halen. De documentatie vermeldt ook hardwaremogelijkheden, geheugenvereisten, modelopslag, downloadafhankelijkheden, resourcegebruik en tips voor probleemoplossing. Dat maakt dit een nuttig praktijkvoorbeeld van het belangrijkste punt van het artikel: lokaal zoeken met AI kan op een NAS draaien, maar vereist wel een duidelijk hardwarepad en een resourcebudget.
Op een opslaggerichte thuis-NAS zoals ZimaCube 2 AI NAS is dit soort workflow zinvol als de gebruiker privé wil zoeken in lokale bestanden in plaats van deze in de cloud te laten indexeren. Het apparaat biedt een lokale opslagplek voor de gegevens, maar dezelfde aandachtspunten blijven gelden: modelgrootte, beschikbaar geheugen, rekenmogelijkheden, indexeringsschema en de mogelijkheid om AI-taken te pauzeren of te beperken wanneer gewone NAS-services belangrijker zijn.
Veelgestelde vragen
Kan een thuis-NAS lokale AI uitvoeren zonder aparte GPU?
Ja, een thuis-NAS kan bepaalde lokale AI-werklasten uitvoeren zonder aparte GPU. Kleine of gekwantiseerde modellen, embeddings, privé-RAG, lokaal zoeken of lichte experimenten zijn meestal het meest geschikt. Dit wordt minder praktisch als de gebruiker snelle chat met grote modellen, beeldgeneratie of meerdere actieve gebruikers verwacht.
Hoeveel RAM heb ik nodig voor lokale AI op een NAS?
Dat hangt af van het model, de runtime, het besturingssysteem en de andere NAS-services. Je kunt dit het beste veilig beoordelen door tijdens normaal NAS-gebruik te controleren hoeveel geheugen vrij is. Test daarna één klein model en houd in de gaten of het geheugengebruik stabiel blijft. Als het systeem intensief naar swap schrijft of bestandsservices trager worden, is de werklast te groot voor de beschikbare speelruimte.
Is AI die alleen op de CPU draait goed genoeg om mee te chatten?
AI die alleen op de CPU draait, kan goed genoeg zijn voor korte prompts en kleine modellen, maar kan traag aanvoelen bij dagelijks interactief chatten. Als antwoorden te lang op zich laten wachten, gebruik dan een kleiner model, agressievere kwantisering, een iGPU als die wordt ondersteund, of een opstelling met twee apparaten waarbij een andere computer het model uitvoert.
Moet ik Ollama rechtstreeks op de NAS uitvoeren of op een andere computer?
Voer Ollama rechtstreeks uit op de NAS als je een eenvoudige, zelfstandige test wilt uitvoeren en het model klein is. Voer het model uit op een andere lokale computer als je meer snelheid wilt en de NAS als webinterface, opslag of laag voor privégegevens wilt gebruiken. Dit is vaak de betere aanpak als de NAS betrouwbaar moet blijven voor bestands- en back-uptaken.
Wat is de beste eerste lokale AI-werklast om op een NAS te testen?
Begin met een klein model of een lichte zoekworkflow. Begin niet met beeldgeneratie, grote modellen voor live chat of het indexeren van de hele bibliotheek tijdens drukke uren. De eerste test moet aantonen dat de NAS de werklast aankan zonder de toegang tot bestanden, back-ups, mediaservices of andere containers te verstoren.
Een NAS zonder GPU kan een nuttig startpunt zijn voor lokale AI, maar bekijk dit als een kwestie van geschiktheid voor de werklast en niet als een ja-of-neevraag over de mogelijkheden. Stem de taak af op de hardware, test de reactiesnelheid onder echte NAS-omstandigheden en geef de betrouwbaarheid van de opslag voorrang boven experimenten met AI.
Ondersteuning en tips
Meer om te lezen

Zo houd je pornofilms op je NAS verborgen voor gezinsleden
Houd video's voor volwassenen privé op een NAS voor het hele gezin. Controleer mapmachtigingen, toegang tot Plex- en Jellyfin-bibliotheken, miniaturen, kijkgeschiedenis, gedeelde tv-aanmeldingen en...

Wat je moet controleren voordat je een communitymodel in Transformers laadt
Gebruik de Transformers Jinja-sandboxupdate om de herkomst van modellen, chatsjablonen, externe code, geserialiseerde gewichten en geïsoleerde eerste uitvoeringen te controleren.

Voer Mirage lokaal uit: OCR en objectdetectie vanuit één afbeelding
Probeer het kleine lokale visiemodel van Cactus Compute, test OCR en objectextractie met echte invoer en krijg inzicht in de beperkingen op het gebied...



