TL;DR
視覺模型不會像人一樣「理解」你的照片 —— 它把照片讀成一格一格的視覺證據網格，所以你的提示必須點名主體、動作、以及任何可見文字來引導它的注意力。而且因為解碼圖片燒掉的運算遠多於解碼文字，每個附件都帶著真實成本 —— 只有當圖片本身就是資料時才值得花。
類比
想像一位終生蒙著眼罩的天才學者。
他讀過所有寫過的書 —— 醫學、法律、藝術史、化學 —— 全靠觸覺與文字。然後有一天，眼罩摘下來了。眼睛能用。但有件事沒發生：沒有人給他一輩子的視覺經驗。他對場景中什麼重要沒有直覺，沒有「大家都先看臉」的反射。張開眼的他，是一位不知道該往哪裡看的天才。
所以當你給他看一張你廚房的照片並說*「有什麼想法？」—— 他恐慌式地研究每一樣東西*。水龍頭。窗戶。第三塊磁磚上的污漬。學者有能力詮釋其中任何一項，但沒有一般人對「顯著性」的感知，他把天才平均分配到整個場景。你得到的答案觀察詳盡卻完全失焦。
你的話語就是指向重點的手指。「鍋子底部的貼紙 —— 上面關於塗層寫了什麼？」—— 突然間，世界上受過最高教育的眼睛鎖定在你需要的東西上。
還有一個細節，它解釋了價格標籤：讓眼罩一直摘著很貴。 學者讀一張圖片花的力氣是讀一個句子的百倍。所以每一分鐘的張眼凝視都以高價計費 —— 無論照片是證據還是純裝飾，你都付錢。
運作原理與成本（Uzu）
當你附加圖片，模型把它切成一格格的 patch，並把每個 patch 轉換成它處理文字的同一貨幣：token。一張照片在你的問題被讀取之前，就可能輕易花掉數百個 token —— 而且就像對話中的一切，它留在脈絡視窗上，那張模型在每次回覆前重讀的桌子。一張圖不只是一圖勝千言；在那張桌上，它佔用千言。
這就是為什麼視覺提示有自己的解剖結構 —— 三個引導模型注意力的欄位：
| 欄位 | 它回答的問題 | 範例 |
|---|---|---|
| 主體 | 圖片裡的這件事是關於什麼東西？ | 「充電器上的警告標籤」 |
| 動作 | 正在發生什麼，或該對它做什麼？ | 「翻譯它」/「它損壞了嗎？」 |
| 文字 | 哪些可見的文字重要？ | 「讀出以 SN 開頭的序號」 |
點名主體，模型就不再把注意力平均分配到整個網格。給出動作 —— 翻譯、辨識、比較、估計 —— 它就成了有眼睛的 one-shot 提示。指向可見文字，你就利用了視覺模型最尖銳的單一技能：現代模型讀圖片內文字的能力，幾乎比它們做的任何其他事都好。
然後是帳單。讀取那數百個圖片 token 需要真實的 GPU 時間，這就是為什麼 Uzu 對每個附加檔案收取固定 10 G-Credits，在你按下送出的瞬間計價。這不是儲存費 —— 這是模型凝視所花費的電力與運算成本。這個價格內建的設計課題是：只有當圖片本身就是資料時才附加圖片。 錯誤對話框的照片是資料。一段你可以貼成文字的文章截圖，是帶稅的裝飾 —— 同樣的答案，用純文字的價格送達。而根據限制範圍，一次附件一個緊湊的視覺問題勝過五個模糊的問題：送出前先約束主體、動作和輸出格式。
工作規則：
一張圖值一千個 token。 確保模型把它們花在你會花自己注意力的地方 —— 而且只為承載資訊的像素付費。
改寫前後（提示）
範例 1 —— 神秘物體
[雜亂抽屜的照片] 這是什麼？
模型盡責地清點抽屜：線材、硬幣、電池、「可能是個小遙控器」。你要的東西在那份清單的某處。大概吧。
[同一張照片] 辨識左上方、電池旁的小型黑色裝置。告訴我它的可能品牌和用途，用 2 句話。
主體（左上的黑色裝置）、動作（辨識品牌與用途）、格式（2 句話）。同一張照片，外科手術式的答案。
範例 2 —— 文件
[表格照片] 可以看一下這個嗎？
「看一下」不是任務。模型泛泛地摘要這張紙 —— 沒問題，除非你需要的是那個決定一切的欄位。
[同一張照片] 只讀這份合約頁面右上角方塊中的「生效日期」欄位並精確轉錄。如果無法辨認，就說「無法辨認」—— 不要猜日期。
文字欄位提示的尖峰：一個欄位、精確轉錄、外加明確的禁止猜測護欄 —— 因為一個無縫填補缺口的模型，正是未經猜測的法律日期最不該用的工具。
範例 3 —— 裝飾陷阱
[附上文章截圖] 摘要這個。
你剛為文字付了圖片價。模型讀取拼出單字的像素 —— 比你直接貼上那些字更慢、更貴、更容易錯。
[無圖片] 用 3 個項目符號摘要這篇文章：[貼上的文字]
相同的答案、一小部分的運算、零附件費用。截圖從來不是資料 —— 它是資料的容器。這一個習慣 —— 是文字就貼上，是像素才附加—— 是視覺提示中最大的節省。
常見陷阱
- 期望 AI「感受」圖片而不是閱讀它。 視覺模型不會體驗你的夕陽照；它從網格編目證據。問*「這喚起什麼情緒？」你會得到對慣例的自信描述 —— 暖色調、笑臉 —— 而不是被感動的反應。問圖片裡有什麼*，而不是看起來什麼感覺。
- 附加裝飾。 文字截圖、「供參考」的 logo、重複你已打過內容的照片。如果資訊已經是文字，每個附件都是花兩次的高級運算。只附加只有圖片能承載的東西。
- 模糊的指代 —— 「這個」、「它」、「那個部分」。 在文字聊天中，「它」指向上一則訊息。在圖片中，「它」指向一切。用名詞和位置：左邊的轉盤、收據的第二行、底部的紅線。
- 在關鍵讀取上跳過禁止猜測護欄。 序號、日期、劑量、價格：視覺模型在不確定下填補缺口的能力和其他模型一樣流暢。加上*「精確轉錄；如果不清楚，說『無法辨認』」*—— 和幻覺課同一個租借誠實的技巧，現在有了眼睛。
- 一張圖、五個問題、一則訊息。 把「這是什麼、值多少、哪來的、是真的嗎、幫我寫賣場頁」綁在一起，會把注意力稀釋到整個網格五次。一次附件、一個尖銳問題 —— 然後追問；圖片留在桌上，後續搭著你已付費的 token 前進。
常見問題
我怎麼用圖片提示 AI？
點名主體、動作和任何可見文字，然後約束輸出：「辨識[圖片中位置的那個特定東西]，[對它做這件事]，以[格式]回答。」像指向同事的眼睛一樣指向模型的注意力 —— 對準貼紙，而不是整個廚房。
為什麼傳圖片給 AI 更貴？
因為模型必須先把圖片轉換成數百個視覺證據 token 才能處理你的問題 —— 遠比同等句子多的運算。在 Uzu 中，這個溢價是每檔固定 10 G-Credits：凝視所花 GPU 時間的誠實價格。文字便宜；像素要處理。
AI 能讀圖片裡的文字嗎？
能 —— 而且這是視覺模型最強的技能之一，從手寫到路牌到表格截圖。但要注意不確定下的準確度：任何關鍵內容（日期、序號、劑量）都要要求精確轉錄，並明確說「不清楚就說無法辨認」，而不是讓模型填補缺口。
下一課
注意貫穿這整課的東西：你做了指向。你選主體、你引導注意力、你提供限制。但有一招能翻轉整個對話 —— 如果，不是回答問題，而是 AI 先問你問題呢？機器訪談你的一個便宜回合，能取代你重新解釋的三個昂貴回合。
繼續下一課：「先問我」技巧
離開前的練習：找出你最後傳給 AI 的照片，用三種方式重問 —— 模糊、中等、外科手術式（主體 + 動作 + 文字 + 格式）。看答案每次如何變銳利，然後查一下模糊版實際花了你多少。