Für die Texterkennung wird ein multimodales (vision-fähiges) Sprachmodell benötigt.

Geeignete Modelle: GPT-4o, Claude 3 / 3.5 / 3.7, LLaVA, Gemma 3, Pixtral, Qwen-VL … Das Modell wird unter LLM → Einstellungen ausgewählt.