跃问是阶跃星辰推出的多模态 AI 助手，「多模态」这个词听着抽象，落到操作上只有一件事：你发给它的不只是一段文字，还可以是一张图、一页 PDF、一张表格截图，然后针对这张图提问。它的能力边界，也基本由这张图的质量决定。
图进来之后发生了什么
图片进入模型前会被切成小块，每块转成一组数字特征，再和你的文字一起送进模型。所以模型看到的是一组被压缩过的区域特征。这个机制解释了三件事：图越清晰、切得越细，小字越容易被读到；画面越简单、主体越居中，特征越集中；图被压缩或旋转，特征就跟着失真。
理解这一点，很多「它看不懂」的问题就有了答案。模型并不是不聪明，而是那块区域在压缩后已经糊成一团。遇到这种情况，换图比换问法有效。
提问要先给「看的角度」
同一张图，问法不同结果差很远。「这张图里有什么」得到的是整体描述；「左下角那张表格，第三行的数值是多少」得到的是一个点。多模态提问的关键，是把你眼睛看到的位置翻译成它能定位的描述：左上、右下、第二列、红色那一块、标题下面那行。
更稳的做法是两步：先让它复述，再让它回答。先一句「把图里所有文字按顺序念一遍」，再问内容。复述这一步是免费的校验——你能立刻看出它有没有读错字、有没有漏掉一整块区域。
涉及计算时，让它先列原始数据再算。「把表格里的三个数抄出来，再算平均值」，比「平均值是多少」可靠。数字读错时，前一步会把错误暴露出来。
三类图，三种问法
| 图片类型 | 先做什么 | 再问什么 | 核对重点 |
|---|---|---|---|
| 界面截图 | 让它逐行念出可见文字 | 问某个按钮、字段的含义与位置 | 有没有把相邻两行串在一起 |
| 表格与图表 | 让它按行列复述结构 | 问极值、趋势、异常点 | 行列对应、单位、图例 |
| 实物与手写 | 让它先描述整体再讲局部 | 问型号、读数、接线顺序 | 手写数字、相似字符、遮挡处 |
第三类容易出错。手写的 1 和 7、0 和 6，在低分辨率下几乎一样；反光和阴影会让凹刻的字消失。这类图别只传一张，补一张正面近景，两张对照着问。
让它输出能直接用的东西
识别完不要停在聊天框里。加一句「整理成三列表格：项目、数值、出处位置」，输出的东西就能直接贴进文档。要复制到表格软件，就要求用制表符分隔；要贴进报告，就要求分点并保留原始单位。
提取类任务建议一次性把字段定死。「把这张单据上的开票方、金额、日期、编号提取出来」，字段明确，漏项一眼能看出。字段含糊，它会自由发挥，多出几列你没要的内容。这套「先定字段再要结果」的写法，与提示词库的改编动作是一个思路。
它看不准的几种情况
小字是头一道坎。整页 A4 拍成一张图，正文那几行在压缩后只剩几个像素，读出来必然错。正确做法是分区域拍，或者直接用文档上传而不是拍照。
复杂图表是第二道。折线图的交叉点、堆叠柱状图的色块边界、双 Y 轴的对应关系，模型经常把系列搞混。这类图让它先报图例，再逐条问，仍然要人工看一遍原图。
长图与拼接图是第三道。聊天记录长截图、手机滚动截屏，压缩比很高，中段容易糊。要么分段截，要么只截需要问的那一屏。
还有一层：它给的位置可能是编的。「依据在图片左上角」这句话，可能只是它按常见版面推测的。位置信息只当线索，不当证据。
什么时候该换文档问答
图适合「看」，文档适合「查」。一页两页的图，直接问就行；几十页的 PDF，应该走文档问答或知识库，让它先检索再回答。把五十页 PDF 转成图片逐页问，既慢又容易漏，还看不清小字。
团队共用的资料，做法可参考ima 共享知识库的分层方式：素材、定稿、归档分开，提问时只指向相关那一层。把提取结果按项目留档的习惯，可对照历史记录的搜索与导出。
图文对话速查
- 先测清晰度：小字模糊就重拍或分区域截
- 先复述文字，再问内容，复述就是校验
- 提问带位置：左上、第二列、标题下面那行
- 数字先抄再算，别直接要结果
- 位置信息只当线索，结论回原图核
三个实际会遇到的问题
- 同一张图问两遍，答案不一样，信哪个？：都不直接信。把两次答案里提到的可见文字对比一遍，一致的部分可以作为观察结果，不一致的部分回原图确认。差异往往出在小字和数字上。
- 截图带水印或马赛克，会影响识别吗？：会。水印压住的正是文字区域，模型只能靠上下文猜。能拿到无水印版本就用原图；拿不到时，把被遮挡的部分用文字补充给它，别让它猜。
- 拍书页有弯曲，文字识别错位怎么办？：把书压平，或者一页分两次拍，每次拍半页；也可以只拍需要问的那一段，减少边缘变形。弯曲处的文字让它复述一遍，对不上就换图。
