AI 看图有两个老大难：一是糊——图片压缩、分辨率不够、字太小看不清；二是装——看不清就硬猜，猜错了还理直气壮。
我们把「看图」拆成一条决策管线：先看整体，判断要不要放大局部；真看不清，就升级清晰度重来；最后交叉验证，不许硬认。识别引擎可以随便换，管线永远一致——换眼睛，不换脑子。
还顺手解决了一个更根本的问题：有些模型根本没有「眼睛」。我们给纯文本模型加装了视觉识别通道——没有眼睛的模型，照样能看图、能读屏幕、能干活。
AI · 视觉能力
AI 图片识别优化
看到像素级。
教 AI 看图，看到像素级。没有眼睛的模型，也给它装上眼睛。
图片识别全链路优化：压缩开局、局部细读、看不清升级、交叉验证。还给纯文本模型加装视觉识别——没有眼睛的模型，也能看图。
STATUSPRODUCTION
FEAT纯文本模型加装视觉
ACCURACY显著跃升
COST近乎为零
PIPELINE识别 → 优化
4级清晰度档位
2路识图通道
1跳推理下限
100%看不清自动升级
WHY · 为什么做
这事本来不该这么麻烦。
WHAT · 能打的部分
八个能力，每个都打过真仗。
CAPABILITY 01
压缩开局
先喂轻量压缩图探路——省流量省时间，细节不够再加码，不一上来就下重药。
CAPABILITY 02
局部细读
细节密集、小字多的画面自动裁剪放大重读；简单场景不浪费算力。
CAPABILITY 03
看不清就升级
识别置信度不够自动升档重试，四档清晰度逐级加码，直到看清为止。
CAPABILITY 04
交叉验证
关键结果多路比对，不许「差不多先生」过关。
CAPABILITY 05
纯文本模型加装视觉
给没有眼睛的纯文本模型外接视觉识别通道——照样能看图、能读屏幕、能干活。
CAPABILITY 06
引擎可换管线恒定
识别引擎随时替换升级，管线逻辑永远一致——换眼睛，不换脑子。
CAPABILITY 07
效率即跳数
能一跳推理绝不两跳。省的是真金白银的图 token，和真实等待时间。
CAPABILITY 08
不硬认
小字看不清就放大原图重认——原始路径永远保留，宁可重看，不许瞎猜。
HOW · 怎么做的
不是一次写出来的，是磨出来的。
PROCESS 01
先测速找瓶颈
实测发现：会话长度才是速度主宰，识图开销本身微不足道——优化目标从「省识图」改为「省跳数和重放」。
PROCESS 02
管线与引擎解耦
决策层（压缩→局部→升级→验证）和执行层（具体识别引擎）彻底分开——管线定型后，引擎随便换。
PROCESS 03
两路通道打通
有眼睛的走原生识图，没眼睛的走外接视觉脚本——分流自动判断，殊途同归。
PROCESS 04
每天实战调参
真实任务里持续校准档位与裁剪策略，识别不准的场景逐个消灭。
PROOF · 战绩
不吹没发生过的事。
这套管线现在每天在用：识图、读截图、验结果，全走这条链路。四档清晰度、两路通道、一跳推理下限——效率是真的算出来的。
最关键的一条原则被反复验证：看不清就别硬认，放大了重看——这比任何压缩算法都重要。
看不清就别硬认，放大了重看——这比任何压缩算法都重要。PIPELINE RULE · 管线第一原则
给纯文本模型装上一双眼睛——不是换更贵的模型，是让看不见图的模型学会"看图说话"，再用它优化整条识别链路。
Idea · 加装视觉
不换模型，给旧模型开眼。
多模态大模型贵、慢、难控。我们的路线相反：保留纯文本模型的推理强项，用一条视觉适配管线把图像"翻译"成它擅长处理的结构化描述——模型没变，能力变了。同样的任务，成本近乎为零，可控性反而更高。
- 视觉特征提取：图像先过提取器，转成高密度结构化信息
- 语义桥接：把视觉特征翻译成纯文本模型吃得下的表达
- 识别结果校准：多路结果互验，明显矛盾自动复检
- 提示词工程：按场景定制识别指令，通用模型打出专用效果
Optimize · 识别优化
"识别"只是入场券，优化才是这活的价值。
识别不准的系统到处都是，关键是知道哪里不准、怎么变准。这条管线会统计每类场景的错误分布，把最容易翻车的类别揪出来单独调参——准确率不是靠堆算力堆出来的，是靠一轮轮定向优化磨出来的。
- 错误分布分析：哪类图老错、错在哪一步，数据说话
- 定向调优：对薄弱类别单独加料，不做无差别堆料
- 回归验证：每次调优跑全套验证集，防止按下葫芦浮起瓢
- 成本控制：轻量方案替代重模型，效果相当、开销锐减
| 路线 | 纯文本模型 | 通用多模态大模型 | 本方案 |
|---|---|---|---|
| 看得见图 | ✗ | ✓ | ✓ 视觉适配层补上 |
| 成本 | ✓ 极低 | ✗ 高 | ✓ 近乎为零 |
| 可控性 | ✓ 高 | ✗ 黑盒 | ✓ 全链路可调 |
| 推理能力 | ✓ 强 | △ 被视觉任务稀释 | ✓ 保留文本强项 |
| 定向优化 | ✗ 无从下手 | ✗ 只能换模型 | ✓ 错误分布驱动 |
| 规格 | 参数 |
|---|---|
| 管线 | 图像 → 特征提取 → 语义桥接 → 文本推理 → 校准 |
| 优化手段 | 错误分布分析 + 定向调参 + 回归验证 |
| 成本模型 | 轻量视觉层 + 纯文本推理，替代重多模态调用 |
| 可移植性 | 管线独立封装，可给任何纯文本模型"开眼" |
SHIPPED
视觉适配管线
纯文本模型成功加装视觉识别，准确率显著跃升。
BUILDING
多场景识别包
按场景打包的专用识别配方，一键切换。
PLANNED
自动调优循环
错误数据自动回流，识别效果随使用量自我进化。
v1.3.0- feat: 识别结果多路互验 + 自动复检
- perf: 薄弱类别定向调优，错误率再降
v1.0.0- 视觉适配管线打通：纯文本模型首次"看"到图片
为什么不直接用多模态大模型？
贵、慢、黑盒，而且推理强项被视觉任务稀释。我们让便宜的文本模型干同样活，眼睛用轻量层来补——效果相当，成本和可控性完胜。
"识别图片优化"优化的到底是什么？
两层：识别准确率本身（哪类图老错就单独调哪类），以及整条链路的成本和速度。识别只是入场券，优化才是价值。