图片输入能干什么：截图报错、表格转录、手写识别

最靠谱：截图里的报错和代码

把一段报错截图丢进去，问“这段报错说明什么，下一步查哪里”，成功率很高。因为字清楚、背景干净、语义集中。

比截图更好的是直接贴文本。截图会经过一次识别，多一道错。只有在拿不到文本的时候才用截图，比如别人的屏幕、纸质材料、报错弹窗。

截图前把无关窗口关掉。它会把整张图都读一遍，边上的聊天记录、文件名都可能被当成上下文。

再补一句：让它先复述截图里的关键几行，你能立刻看出识别有没有错。这一步比事后核对便宜得多。

印刷体、行列对齐、没有合并单元格的表格，转录准确率不错。转完一定要对数：行数、列数、合计。

合并单元格是灾难。它会猜错归属，把跨行的值填到错误的行上。遇到合并单元格，先手工拆平再拍。

手写体看字迹。工整的笔记能认，连笔和草书基本别想。金额、编号这类关键数字，逐个人工核对，不要抽查。

数图里有几个人、几个瓶子，它经常数错。这类模型本来就不做逐像素统计，跟能力强弱无关。

读图表里的数值同样不可靠。它看着像在读坐标轴，其实在猜。要数据就问原始表格，别让它看柱状图报数。

密集小字比如发票、多栏排版、缩小的合同扫描件，识别率断崖下跌。这种材料先做 OCR 拿文本，再把文本给它。

还有一类：带背景纹理的照片，比如白板上的字、贴在墙上的表格。字和背景对比度不够，错字会明显增多。能重拍就重拍，别硬认。

正对、铺平、光线均匀。斜拍会有透视变形，行会歪，识别率掉一半。

只拍需要的那一块。整页拍进去，字变小，等于给自己找麻烦。

拍完先自己看一眼清不清楚。你看不清的地方，它也看不清，而且它不会主动告诉你哪几个字没认出来，只会顺着自己的猜测往下写。

补充一句涉及身份证、银行卡、病历这类材料，不要上传到任何在线服务。要处理就走本地 OCR，或者人工录入。

图片里的文字能直接搜吗？

不能。它读完就结束了，不会给你一个可检索的文件。要检索就先转成文本存下来。

为什么同一张图两次识别结果不一样？

生成过程有随机性。要稳定就要求“只输出识别到的文字，不做任何整理”，把自由发挥的空间压掉。

能识别图表趋势吗？

大致趋势可以，具体数值不行。要精确就把底层数据给它，让它基于数字分析。