VISUAL EXAMPLE
先看懂它怎么工作
等待操作
MECHANISM
运行机制
- 不同输入编码
- 对齐到共同表示
- 联合理解
- 生成结果
USE WHEN
适合这样用
分析截图、图表、语音和混合资料
NOT FOR
不要这样理解
不要假定模型能读取图片里所有小字或隐含尺寸
TELL YOUR AGENT
可直接发给 Agent
请按“多模态”的概念处理这个需求：把截图和文字需求一起看，再指出界面问题。先说明实现边界，再给出可检查的结果。ACCEPTANCE
怎么确认它真的做好了
关键视觉信息有人工或工具复核，低清输入会主动提示
OFFICIAL SOURCES