多模态 Multimodal AI

多模态 AI 不只处理文字，也可以接收截图、图片或其他受支持的输入。比如你上传手机结算页截图，再问“哪里会让人看不清”，模型要先读出界面中的按钮、文字和拥挤区域，再把这些视觉线索和你的目标放在一起理解。

• 文字告诉模型要解决什么，截图提供页面里真实存在的视觉证据。
• 模型需要分别确认支持哪些输入、能输出什么结果，不能把“能看图”直接等同于“能准确完成任务”。
• 好的回答要指出截图中的具体区域和下一步动作，而不是只说“图片看起来没问题”。

多模态不是简单给文字模型加一个图片附件，而是让不同输入共同参与理解。截图能提供布局、层级和视觉状态，但模型仍然要知道你想检查什么，应用也要确认当前模型支持的输入与输出能力。

• OCR 只回答“图片里写了什么”，多模态任务还可能要回答“哪个区域与目标有关”。
• 图片描述只复述看到了什么，多模态回答还要把观察结果连接到用户的文字目标。

因此，上传截图后得到一段流畅描述，并不自动代表问题已经解决；要看回答是否引用了真实视觉线索，并能落到可执行的下一步。

拆开一次截图检查，可以看到文字目标、视觉证据、视觉识别和行动答案四个部分。它们不是四张独立的卡片，而是一条从“想解决什么”到“具体改哪里”的证据链。

• TEXT GOAL 说明用户希望模型判断或完成什么。
• IMAGE EVIDENCE 提供截图中的页面结构、文字、控件和视觉状态。
• VISUAL READING 把截图里的区域和关系转成可讨论的线索。
• ACTIONABLE ANSWER 把线索对应到具体区域和下一步修改，而不是停在泛泛描述。

请做一个多模态 AI 截图检查流程：用户同时提供手机结算页截图和“找出让用户看不清的地方”这句文字目标；先在截图中标出识别到的操作区域，再把视觉发现和文字目标结合，最后给出指出具体区域、可以直接执行的修改建议。请确认输入和输出能力，支持键盘操作、暗色主题，并保证 390px、320px 下不横向滚动。