它看起来像截图，其实不是
拿一张图表截图问 AI 是可行的，但它扔掉了图片下面的文字、它出自的那一页，以及周围的文档。在文档里框选一块区域，三样都保留下来，所以数字是从文字里读出来的，而不是从像素里猜出来的，回答还能链回那一页。
每个人都有同一个变通办法。遇到一张看不懂的图，截个图，贴进对话框，打一句「这是什么意思」。它管用的次数多到成了习惯。
它也会以一种具体的、可重复的方式失败，而失败的原因并不是模型不擅长看图。而是等图片到达时，原本就在它旁边的三样东西已经被扔掉了。
裁剪丢掉了什么
在真正的文档里打开那张图，看看那里都有什么。坐标轴标签是文字。图注是文字。图下面那张表是文字，里面有确切的数值。页码是已知的。解释这张图的那段话，就在它上面两寸。
裁成一张 PNG，这些就全没了。到达模型的是一格格像素，其中数字 0.37 和 0.87 只差几十个像素。
于是模型只能做它必须做的事：读图。大多数时候它读对了数字。有时候它读得差不多对，这更糟，因为一个差不多对的数字不会自报家门。而且返回的回答无处可指——你点不了它，对话根本不知道那是哪份文档，追问一句（「它上面那段说了什么？」）不再截一张图就没法回答。
我们改为发送什么
在 MindMax 里，你在阅读器里拖一个框，有四样东西跟着一起走。
图片，因为有些东西确实是图形性的：哪个方框在哪个标题下面、箭头连着什么、版面怎样分组。这才是图片该干的事。
框下面的逐字文字，是从文档里取出来的，而不是从像素里识别出来的。这正是你把截图贴进对话框时不存在的那一部分。
它出自哪里——文件、页码、章节、幻灯片。所以回答可以点回那个位置，对话里的缩略图也能在对的那一页重新打开文档。
文档本身，附在问题上，所以模型可以去读周围的章节，而不是对着图注瞎猜。
真正起作用的那条规则
图片和文字都有，并不会自动带来改进。还得告诉模型以哪一个为准，因为哪怕一张含有那个确切数值的表就在它的上下文里，它也会兴致勃勃地从图表上去读这个数。
所以指令是明确的：凡是区域有真正的文字层，数字、公式和表格数值都以文字为准，图片只管版式、形状和空间关系。
有意思的是另一个分支。扫描页、标签是画上去的示意图、只有图片的 PDF 里的图，底下都没有文字。我们本可以把这一点掩盖过去——悄悄把区域转写出来，把结果当作原文呈现。我们做的恰恰相反：框下面什么都没有时，模型必须说明某个数字是从图片上读出来的，可能有误。
这个分支比看起来更要紧，因为这是唯一一种老实的回答不如不老实的回答显得厉害的情况。一个永远显得一样自信的工具，等于什么都没告诉你什么时候该去核对。
还有第三种情况，在实现时让我们栽了个跟头。如果你在两轮之后追问，图片已经不在对话历史里了——历史是文字。我们最初的修补，是改为保留一份区域的转写。这就意味着到了第三轮，「框下面的文字」根本不是文档里的文字：而是模型在第一轮对图片写下的东西。把它当作数字的权威喂回去，恰恰就是这条规则要防止的失败，只是打扮成了遵守规则的样子。所以这两者从头到尾被分开标注，模型写的描述被明确标为不可引用、对任何数字都不具权威。
为什么处处都是同一个框
这是每个阅读器里的同一个动作——PDF、EPUB 和 Kindle 电子书、PowerPoint 幻灯片、图片、你自己的 Markdown 笔记——区域会根据它画在什么上面而调整：PDF 里的一页、书里的一章、演示文稿里的幻灯片编号。
这种一致不是为整齐而整齐。一旦它只在部分阅读器里存在，你就不会再伸手去用它，因为一个得先确认能不能用的动作，就不算一个动作。它得成为下意识，才有价值。
留下回答
最后一块最不聪明，却可能最有用。对一张图的解释，值得放在你的工作旁边，而不是埋在一段你不会往回翻的对话里。
所以一块区域和它换来的回答，可以一步存进你的今日笔记。这样做时，图片会被复制到你自己的文件夹里——而不是从对话的存储里引用过来——因为一篇在你清理旧对话后就指向一张坏图的笔记，比没有笔记更糟。
我们没有声称什么
手写和极小的坐标轴标签，依然是读图会出错的地方，而且错得很自信。框选不能解决这一点；它把问题收窄了：只要有文字，就把文字交给模型；没有文字时，逼它承认。而一张跨页的图，是两块区域，不是一块。
这里的说法很窄，也可以核对：你指着的东西，连同它的上下文完整到达；文档里有数字时，数字取自文档；回答知道回去的路。