--- title: "iPhone-bildene dine blir lokalt, og Comma finner dem · Comma-bloggen" description: "Modellene kjører også lokalt. Spør med dine egne ord, så finner Comma bildene i en lokal indeks." url: https://comma.surf/nb/blog/local-iphone-photo-search language: nb --- [Tilbake til bloggen](https://comma.surf/nb/blog) Comma Team · 28. oktober 2026 · 6 min lesing # iPhone-bildene dine blir lokalt, og Comma finner dem Modellene kjører også lokalt. Spør med dine egne ord, så finner Comma bildene i en lokal indeks. [Kom i gang](https://app.comma.surf/) [Les dokumentasjonen](https://comma.surf/nb/docs/salix/devices) Du bestiller leiebil på nettet, og skjemaet vil ha nummeret og utløpsdatoen på førerkortet ditt. Førerkortet er ikke for hånden. Du husker at du tok bilder av det i fjor, forside og bakside, da du fikk det nye, men de ligger begravd blant titusener av bilder på iPhonen din. Du vil spørre [Comma](https://comma.surf/nb/) med dine egne ord og få de to bildene fram. Denne veiledningen viser én måte å sette det opp på: bygg en indeks over bildene dine med lokale modeller, og la Comma søke i den. Det er et eksempel på et oppsett på én Mac, ikke en innebygd funksjon i Comma. ## Biblioteket ditt blir lokalt Comma trenger ikke en kopi av bildene dine. Det tunge arbeidet, å lese teksten i hvert bilde og gjøre hvert bilde om til vektorer, gjøres av lokale modeller. Det agenten får, er resultatet av et søk: noen få bilde-ID-er, datoene deres, teksten som ble funnet i dem, og, når du må velge, ett kontaktark med miniatyrbilder. Bare bildene du til slutt velger, sendes inn i chatten. Selve bildene synkroniseres fortsatt via iCloud; «lokalt» betyr her tekstgjenkjenningen, vektorene og indeksen etter eksporten. Hvis Comma bruker en skymodell, går disse søkeresultatene, og ethvert bilde du ber den se på, til modelleverandøren du har valgt. For et dokument som et førerkort inneholder den gjenkjente teksten nummeret og adressen. Selve indeksen sendes aldri noe sted. Comma er åpen kildekode, og du kan også [kjøre det på din egen maskin](https://comma.surf/nb/self-host). ## Bygg bildeindeksen Indeksen kobler seg på veien bildene dine allerede tar. På iPhonen endres ingenting. Hvert trinn etter eksporten kjører på Macen. Oppsettet tar tre trinn: 1. **Få bildene over på Macen.** Synkroniser bildene fra iPhonen til Macen med iCloud-bilder, og eksporter nye bilder til en mappe hver dag. 2. **Behandle dem med lokale modeller.** Gjenkjenn teksten i hvert bilde, og gjør deretter bildet om til vektorer med [Chinese-CLIP](https://huggingface.co/OFA-Sys/chinese-clip-vit-base-patch16) og [Qwen3-VL-Embedding](https://huggingface.co/Qwen/Qwen3-VL-Embedding-2B). 3. **Lagre dem i en lokal indeks.** Lagre resultatene i en lokal database, med én kommando for å søke i den. I dette eksempelet heter kommandoen `lpa`. ## Hva et søk gir Lokalt er et søk én kommando. Ett kall kan romme flere formuleringer, og modellene lastes bare én gang. Agenten gjør uttrykk som «i fjor» om til et datointervall. sh ``` lpa search "driver license" "driver's license" "驾照" \ --from 2025-01-01 --to 2026-01-01 --prefer text --json -n 9 ``` Hvert resultat viser hva slags belegg som ligger bak: | Merke | Betydning | | --- | --- | | Treff i tekst | Hvert ord ble funnet i teksten i bildet. | | Mulig | Bildet ligner. Ting som ligner hverandre, er lette å forveksle. | | Lav sikkerhet | Vises bare når det ikke finnes noe bedre. | `--prefer text` setter treff i tekst først, noe som passer for dokumenter, kort og skjermbilder. `--prefer picture` setter bilder som ligner, først, noe som passer for en katt eller en strand. Nesten like bilder tatt innen noen få minutter tar bare én plass i listen, og resten henger under. Treff i tekst: nettverksnavnet og passordet kommer fra ordene på kortet i bildet. Bildet er generert for dette eksempelet. Treff i bilde: ingenting i disse bildene sier «katt» eller «vinduskarm»; bildevektorene finner dem. Når de øverste resultatene er usikre, gjetter ikke agenten. Den samler miniatyrbildene av kandidatene på ett nummerert ark, høyst ni, og ber deg velge. Et eksempel på et kontaktark; førerkortet er et prøvekort. 1 og 2 er treff i tekst for forside og bakside, 3 og 4 ligner kort, og resten er kandidater med lav sikkerhet. Svar «1 og 2», så sender agenten begge sidene av førerkortet. Hvordan de to settene med vektorer virker sammen, ble bestemt ved å kalibrere på et fullstendig bibliotek med rundt 50 000 bilder. Med Qwen3-VL-Embedding alene havnet de riktige svarene som et menneske hadde plukket ut, lenger ned enn med Chinese-CLIP alene. Med de to rangeringene slått sammen gjorde hvert kontrollert element det minst like bra som med en av modellene alene. «Mulig» gis også bare når likheten fra begge modellene er over grensen: i én testspørring falt antallet bilder merket «Mulig» fra 4 970 til 4. Prisen er at et søk tar 3,5–6 sekunder i stedet for rundt 3. Dette eksempelet kjører på en MacBook Air med 16 GB minne, med 2B-versjonen av Qwen3-VL-Embedding. På en kraftigere maskin kan du bruke større Qwen-modeller: - **En større vektormodell.** Bytt ut Qwen3-VL-Embedding-2B med [Qwen3-VL-Embedding-8B](https://huggingface.co/Qwen/Qwen3-VL-Embedding-8B). Etter byttet må vektorene for alle bildene beregnes på nytt med den nye modellen. - **Beskrivelser og stikkord for hvert bilde.** Kjør også [Qwen3-VL-4B-Instruct](https://huggingface.co/Qwen/Qwen3-VL-4B-Instruct) eller [Qwen3-VL-8B-Instruct](https://huggingface.co/Qwen/Qwen3-VL-8B-Instruct) for å skrive en beskrivelse på én linje og noen få stikkord for hvert bilde og lagre dem i tekstindeksen. På en MacBook Pro med 24 GB minne kjører for eksempel 8B-modellen med 8-bits kvantisering. Stikkordene egner seg til en grov sortering; det er ingen garanti for at de stemmer. **Hva med engelsk?** Chinese-CLIP er mest trent på kinesiske bilder og tekster, så den er ikke pålitelig for engelske spørringer. De to andre delene påvirkes ikke: tekstgjenkjenningen leser både kinesisk og engelsk, og Qwen3-VL-Embedding støtter mange språk. Sett derfor kinesiske og engelske formuleringer i samme søk, slik kommandoen ovenfor gjør; dette kan du skrive inn i en Skill. Hvis biblioteket og spørsmålene dine mest er på engelsk, kan du også bytte ut Chinese-CLIP med den opprinnelige [CLIP](https://huggingface.co/openai/clip-vit-base-patch16), som igjen betyr at vektorene må beregnes på nytt. ## Finn familie og venner Bilder grupperer allerede ansiktene til samme person. Indeksen bruker disse gruppene direkte og gjør ingen egen ansiktsgjenkjenning. 1. **Gi personer navn først.** Første gang plukker agenten ut noen bunker med bilder fra disse gruppene, nummererer dem og spør deg hvem det er. Først når du svarer «3 er mamma», husker den det. En gruppe du ikke har bekreftet, regnes ikke som noen. 2. **Søk etter person.** Etter det, når du nevner et navn, ser søket bare på bilder der den personen er med. Navn kan legges sammen: nevn to personer, så får du bare bilder med begge, altså bildene av dere sammen. 3. **Kombiner med andre betingelser.** Et navn kan gå sammen med det som er på bildet og når, som «bilder av mamma og meg på stranden i fjor»: sh ``` lpa search "beach" --person Me --person Mom \ --from 2025-01-01 --to 2026-01-01 --prefer picture --json -n 9 ``` Hvis et navn ikke er bekreftet, eller to personer har samme navn, sier søket det i stedet for å gjette. Et feil navn kan rettes, og hver retting kan angres. ## Slik finnes videoer Videoer søkes for seg, atskilt fra bilder. Et vanlig søk ser bare på bilder. Vil du for eksempel ha videoen der barnet ditt blåser ut bursdagslysene, si til Comma at du leter etter en video, så legger den til `--source video` i søket: sh ``` lpa search "blowing out candles" "birthday cake" --source video --json -n 9 ``` Bak det ligger tre trinn: 1. **Ta stillbilder.** Selve videoen går aldri inn i en modell. Indekseringsprogrammet tar et stillbilde hvert 5. sekund, høyst 12 per video. 2. **Søk etter stillbilde.** Stillbildene går gjennom samme behandling som bilder: tekstgjenkjenning og begge settene med vektorer. Et søk sammenligner disse stillbildene; når ett passer, er hele videoen funnet, og den tar bare én plass i resultatene. 3. **Send videoen.** Når du har valgt, sender agenten den med `lpa video`. Et videosøk: stillbildene som passer, hører til én video, så videoen er ett resultat. Foreløpig ser den bare på bildet, ikke lyden. Det som blir sagt i en video, kan ikke søkes i ennå, og personer i en video gjenkjennes ikke ennå. Antallet stillbilder er begrenset, så noe som bare vises et øyeblikk i en lang video, blir kanskje ikke funnet. ## Slik er LocalPhotoAgent bygd `lpa` i denne veiledningen kommer fra LocalPhotoAgent, et indekseringsprogram vi har skrevet selv, og som vi skal gi ut som åpen kildekode. Indekseringen er beskrevet ovenfor; to punkter til: - **Det kan stoppes når som helst.** Hvert trinn for hvert bilde registreres for seg. Stopper det halvveis, fortsetter det neste gang; endrer du en innstilling, kjøres bare det berørte trinnet på nytt. Mens det jobber, holder det øye med minne, temperatur og diskplass, og tar pause når en av dem går over grensen sin. - **Det gir agenten noen få kommandoer.** `lpa search` søker, `lpa sheet` lager et kontaktark, `lpa preview` sender bilder og `lpa video` sender videoer. Når agenten leter etter bilder, kaller den dem i denne rekkefølgen: ## Koble til Comma Dette forutsetter at LocalPhotoAgent allerede virker på Macen din. Tilkoblingen tar fire trinn: 1. **Legg til en enhet.** Gå i Comma til «Settings > Devices», og klikk på «Add device» for å få en installasjonskommando. 2. **Kjør kommandoen.** Kjør den i Terminal på Macen som har biblioteket, for å installere Comma Connector. 3. **Slå på tilgang.** En ny enhet starter som «Off». Endre den til «Full», så agenten kan kjøre `lpa`. 4. **Skriv en Skill.** Be agenten søke først, sende et kontaktark når den er usikker, og sende bilder først etter at du har valgt. Du kan også bare be Comma om å «lage en Skill». Etter det er det bare å spørre slik du ville gjort i en hvilken som helst chat: «Finn bildene av førerkortet mitt fra i fjor, forside og bakside.» Spørsmålet fra starten av veiledningen, besvart. Førerkortet er et prøvekort. ## Tillit og begrensninger Indeksen leser bare originalene. Den flytter, redigerer eller sletter dem aldri. Et søk rører ikke den eksterne disken i det hele tatt; bare det å lage et kontaktark og sende et bilde leser fra den. Å flytte eller slette bilder ligger utenfor dette oppsettet. Merk likevel at agenten med «Full»-tilgang kan kjøre andre kommandoer på denne Macen enn `lpa`. Et treff i tekst betyr bare at ordene ble funnet, ikke at det er bildet du vil ha. «Mulig» er bare en kandidat. Når Comma merker en forespørsel som ferdig, bør du sjekke bildene den har sendt. Første gang kan du si: «Finn bildene av førerkortet mitt fra i fjor. Vis meg kontaktarket først, og ikke send, flytt eller slett noe.» Veiledninger [Tilbake til bloggen](https://comma.surf/nb/blog) Del ## Relaterte innlegg 28. oktober 2026 ### [Hva er en alltid påslått AI-agent?](https://comma.surf/nb/blog/what-is-an-always-on-ai-agent) 27. oktober 2026 ### [Personlig agent eller AI-assistent: Hva er forskjellen?](https://comma.surf/nb/blog/personal-agent-vs-ai-assistant) 26. oktober 2026 ### [Hva er en personlig agent? AI-en som fortsetter å jobbe](https://comma.surf/nb/blog/what-is-a-personal-agent) ## Try Comma, Now. [Kom i gang](https://app.comma.surf/)