与其反复调整提示词，不如在图像中加入关键标签，直接降低视觉模型的识别歧义。
推荐理由：方法把优化重心从语言指令移到视觉输入：关键区域标签能在推理前明确对象与关系，说明不少多模态失败源于感知定位，而非模型缺乏后续推理能力。
阅读原文