文本模型与多模态模型怎么选：截图信息不能只靠转写
处理带截图的文件时，比较先提取文字与直接输入图像的差别，说明表格关系、视觉线索和逐字准确性应怎样分别检查。
怎样选择更合适
问题只依赖完整文字时，可以先提取文本再交给文本模型；问题依赖图表位置或画面内容时，应评估支持相应输入的多模态模型。多模态不等于任何文件都能直接读，文本提取也不保证版面关系仍在。先标出答案究竟来自哪个区域，再选择保留这些信息的处理方式。
先确定截图中哪些信息影响答案
文本模型处理提供给它的文字，图像内容需要先通过其他工具转换。多模态模型可以接收受支持的图像输入，但仍有识别限制。OpenAI 的视觉说明特别列出小字与空间关系等情况，因此不能把“能上传图片”理解为画面细节都会读对。
例如柱状图中只有数字而没有轴标签，纯文本提取可能丢掉数字对应的含义。若任务只是读取印刷清楚的编号，OCR 的逐行文字与坐标却可能更容易核查。两种处理可以组合，关键是不要把转换过程中丢失的信息当作模型已经看到。
用同一张截图检查可回答的问题
准备同一张包含正文和图表的截图，分别要求读取一个数字及解释数字间的关系。文本方案保存提取出的完整内容，多模态方案保留实际送入的图片。比较答案时回到原图标出依据，区分字读错与关系理解错，不能只评文字是否流畅。
若截图压缩后小字不清，应先修正输入质量，再比较模型。需要裁切时保留图例与表头，避免只截出目标数字。可以先用普通文字页检查处理能否完成，再加入跨栏或扫描页；本文没有运行图片识别对比，也不报告准确率。
检查费用时同时记录复核工作
直接读图的请求与先 OCR 的流程可能采用不同计费方式，具体以模型和工具的文档为准。除了请求消耗，还应记录图片预处理及人工核对时间。若大量页面只含清楚文字，先提取后分析可能便于检索；这需要用自己的资料确认。
最终保留原图与输出的对应关系，测试一个没有答案的区域是否会引出猜测。多模态结论应能指回画面，提取文本应能对上原行。无法读清的内容要明确标记，再选择补图或人工确认；不能把两条流程中的任何一条视作免核查方案。
核对来源
以下资料用于核对概念和方法。文中的示例与测试范围分别注明，实际使用时请核对所用工具的版本。