01 详细解释
主流做法是把图片切成视觉 token,和文字 token 拼进同一个上下文,让注意力机制一起处理。所以「看图」的能力上限仍受上下文窗口限制:一张高分辨率截图可能吃掉几千 token。
实用场景:截图读表格、看设计稿写前端、识别发票与单据、视频抽帧做摘要。图片越清晰、越少无关区域,效果越稳。
主流做法是把图片切成视觉 token,和文字 token 拼进同一个上下文,让注意力机制一起处理。所以「看图」的能力上限仍受上下文窗口限制:一张高分辨率截图可能吃掉几千 token。
实用场景:截图读表格、看设计稿写前端、识别发票与单据、视频抽帧做摘要。图片越清晰、越少无关区域,效果越稳。
这些词几乎出现在每一篇入门材料里:token 决定成本,上下文窗口决定能塞多少,幻觉决定你敢不敢直接信。先把它们认全,后面读选型、读架构才不卡壳。
下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。