给模型发一张图、让它看图回答问题,看起来很简单,但很多人发现图喂进去了、答案却很粗。多模态提示词不是把图片随手一贴,而是有讲究的。下面按图片、表格、截图三类素材讲清楚怎么喂。
先说清楚看图的误区
模型看到的其实是经过处理的图像表示,分辨率过高会被压缩,过小的文字和细节容易丢失。因此,指望它读出一张密集截图里的小字,往往不现实。正确做法是把关键信息放大、裁剪出来单独提供,或者用文字把关键内容复述一遍作为补充。
图片:先描述任务,再给图
给图片时,一句「看看这张图」远不如「这是一张产品包装图,请识别品牌名并判断主色调,用两句话回答」。明确三点:图片是什么、要模型做什么、输出什么格式。如果图片里有多个区域,可以用左上角、中间偏右等方位词引导注意力。
表格与截图:结构化更可靠
- 表格:能转成文字或 CSV 就别只发图片,模型对结构化文本的抽取比读图准得多;必须发图时,最好同时附上表头文字。
- 界面截图:说明这是什么软件界面、你想找哪个按钮或状态,避免让模型漫无目的地描述整张图。
- 图表:直接问具体数值或趋势(如「去年比前年增长多少」),比「描述一下这个图」更有用。
结论
多模态提示词的核心原则就三条:给清晰的上下文、把任务收敛到具体问题、指定输出格式。图片是辅助信息,不是全部;能用文字说清的,就用文字补一句。下次看图答得不准时,先别怪模型,先检查你是不是把一张缩略图和一句看图说话就扔给了它。
小7分享网