图像理解的分辨率瓶颈在哪？小字看不清的原因

让 AI 读一张截图里的小字，它有时会认错甚至跳过，根源在图像理解的分辨率瓶颈：整张图要压进有限的 token 预算，细节在压缩里悄悄丢了。

分辨率瓶颈从哪来：切图与预算分配

视觉编码器的输入尺寸是固定的：图进来先缩放到预设分辨率，比如几百乘几百，再切成小块逐块编码。缩放这一步就是信息损失的闸口——原图两千像素宽，压到几百像素，四倍以上的缩比把小字的笔画糊成几像素宽，后面模型再聪明，读到的已经是模糊版本。

token 预算是另一道闸。语言模型的上下文有限，一张图占的额度越多，能同时处理的图就越少、文本空间就越小。切图策略是折中方案：整图先给一份低清全局视图，再切成高分辨率块补细节，块数按重要性分配。Kimi、腾讯元宝读长截图时提供的「高清模式」，动的就是这套分配。

小字为什么看不清：下采样丢信息

小字的笔画在原图里可能只有两三像素宽，下采样后不足一像素，混进背景色里彻底消失。文字识别依赖笔画结构，结构没了，模型只能按上下文猜——猜常见词准确率高，猜编号、金额这类无规律内容就露馅。这不是模型不努力，是信息在进模型之前就没带进来。

同理，密集小目标、细线图表、远景人脸，都是分辨率瓶颈的重灾区。豆包的图片问答对这类内容也时常提示「建议裁剪后重试」，背后的逻辑相同。

预算的账还可以算得更细：同样一张图，文字任务和找物任务对分辨率的要求不同。读字要保笔画，需要高分辨率；认物体只要轮廓和颜色，低清就够。聪明的分配是按任务动态给预算，静态一视同仁的分配总有一头不满意，这正是各家「高清模式」仍在迭代的原因。

补救的思路：高分辨率分支与二次裁剪

模型侧的补救是加高分辨率分支：全局视图管布局，局部块按原分辨率编码管细节，两者拼接后一起理解，代价是算力翻倍。使用者侧的补救更直接：把目标区域裁出来单独发，等效于手动提高有效分辨率，成本为零且立竿见影。

分辨率与相邻机制互相牵动：多图预算挤占单图分辨率，见多图理解是怎么关联的；视频帧数与每帧清晰度互相拉扯，见视频问答的上下文是怎么组织的；音频侧的对应问题是混音内容被淹没，见语音降噪是怎么分离人声的；语言侧的混杂内容处理，见中英夹杂的语音是怎么处理的。

类比与失效：像看缩略图但放大有上限

把模型看图理解成看缩略图找文件：整体一目了然，文件名小字看不清，得点开放大。失效点在于软件的缩略图可以无限放大看原图，模型没有原图——缩放丢掉的信息它拿不回来，所谓高清模式也只是提前规划好了该放大哪里。

一句话带走：重要细节别指望模型自己看清，裁剪、分批发、点明区域，三招都比换模型管用。

读图清晰度自查清单

• 目标文字在整图里是否过小；
• 是否已把关键区域裁剪单独发；
• 多图同发是否挤占了单图预算；
• 编号金额类内容是否需要人工复核。

一句话：分辨率瓶颈是预算瓶颈，细节要花钱买注意力。

分辨率瓶颈快问快答三则

• 图片越大识别越准吗？：超过模型上限后反而被压得更狠，适配输入尺寸的原图比超大盘更划算。
• 为什么它能读清照片里的招牌？：招牌通常占画面比例大、笔画粗，编码后结构保留完整，属于瓶颈之外的安全区。
• 高清模式一定更好吗？：细节任务更好，整体理解任务差别不大，还多花算力，按需开。