多图理解是怎么关联的？图与图之间

AI 看一张图容易，看一组图才是真考验：找出两张图的三处不同、判断先后顺序、把商品图和效果图对应起来。多图理解的关键，是让模型建立图与图之间关系。

图与图怎么关联：共享的表征空间

多图模型把每张图编码进同一个表征空间：一张图变成一组特征向量，两张图的特征放在同一坐标系里，相似与差异可以直接比较。模型在训练时见过大量图组——前后对比、连拍序列、拼图组合——学会了「图之间的关系」本身也是一种模式：位置相邻的可能相关，特征接近的可能同物。

编码共享带来一个实用性质：同一物体出现在两张图里，模型能通过特征相似性把它们对上，这就是「这是同一个人吗」这类问题的机制基础。

指代与对比：多图问题的两类问法

对比类问题问差异：找出不同、比较质量、判断哪张更清晰，模型要做的是特征对齐再逐区域比较。指代类问题问映射：第一张图里的杯子在第二张哪里、这张图的角色换到那张场景会怎样，模型要先锁定参照物再跨图检索。两类问法的难度分布不同，指代类对定位与关联的要求都更高。

豆包、通义千问、智谱清言的对话里都能同时贴几张图提问，返回质量的差异主要就出在关联建模的深度上。

顺序敏感吗：图序对结果的影响

多数情况下敏感。标了「前」「后」的对比问题，交换图序答案跟着翻；不带序数词的开放问题影响较小。这提醒使用者一个技巧：时间序列、步骤序列的图组，按顺序上传并在问题里点明「按上传顺序」，模型会利用这个先验。

还有一个实用准备动作：上传前给图改名或在消息里编号。模型对「第一张」「第二张」的追踪主要靠序列位置，你在文字里写的编号和实际上传顺序一致，指代就稳；不一致，它可能按自己的排列理解问题，答案整体错位。多图混贴不同主题时更要把分组说明白，比如「前三张是方案 A，后两张是方案 B」，跨组比较才不会张冠李戴。

四类图组关系，对上方式和提问要点都不同。

上传后先让模型复述每张图内容，确认它认对了再进入正式提问。

跨图关联和单图结构是两套功夫：单图里先要分清栏与块，见版面分析是怎么分栏的；图内表格要与另一张图对照，结构先恢复，见表格识别是怎么恢复结构的；多图怎么编成一个序列进模型，见图文交织输入是怎么排的；连起来的图组就是视频的骨架，见视频问答的上下文是怎么组织的。

类比与失效：像看连环画但页序会重排

你看连环画能自动脑补页与页之间的剧情衔接。失效点在于人对「同一主角」的追踪靠面孔和衣着，模型靠特征相似度：画风突变、光线剧变时特征漂移，它可能把两个角色认成一个，或把一个角色认成两个。

一句话带走：多图问题先想清楚图与图是什么关系——同物异拍、前后对比还是并列选项，关系说清楚了，答案准一半。

多图提问速查表

• 对比类：说明比较维度，如清晰度、构图；
• 指代类：明确序号与参照物；
• 序列类：按时间顺序上传并点明顺序；
• 关系混杂：一次只问一种关系，拆开问更准。

一句话：图组关系说在前，模型就不会瞎配对。

关于多图理解，问得最多的三个

• 它有张数上限吗？：有，受上下文预算限制，通常个位数到十几张，超了后传的图会被压缩或忽略。
• 为什么它分不清两张相似的脸？：特征空间里距离太近，差异小于编码粒度，裁出脸部特写再比对会好很多。
• 多图和视频理解是一回事吗？：并不完全一样，视频带时间轴和音频，多图只是空间并列，前者多了时序约束。