多模态任务怎么说：把文字要求与参考图的作用分开

“多模态”先理解成多种形式的材料

在本页的入门用法中，多模态任务是把文字、图像等不同形式的材料放进同一个工作说明中。重点不是术语听起来多复杂，而是每份材料为任务提供什么信息。例如文字说明你要一张竖版活动海报，参考图提供希望保留的场景，草图提供标题和图片的相对位置。

这些材料没有天然的优先顺序。若文字说背景为白色，参考图却是深色背景，应明确是只参考图中的摆放关系，还是连颜色一起采用。否则即使结果看上去美观，也很难判断它是否符合原意。

公开文档也会用文字提示配合图片来说明图像理解任务。例如 Google AI Studio 的图像理解指南可作为这种输入组织方式的概念例证。它说明的是相应文档中的使用方式，不能据此推断“香蕉AI”对应的产品、模型或功能。

参考：Google AI Studio：图像理解指南。文字与图片配合输入的公开文档例证；不代表本站或关键词所指服务的能力。

给参考图分配单一、明确的角色

给文件编号后，为每张图写一句用途说明。参考图A只提供布局，参考图B只提供配色，原图C提供需要保留的主体。这样可以避免把参考图中的人物、商标或装饰误当成必须使用的元素。若一张图确实承担多个角色，逐项列出，而不是写“都参考”。

示例：制作一张虚构的植物观察记录封面。A图参考上方留白与下方主体的比例；B图参考绿色和米白的配色；C图提供已有的盆栽照片，主体轮廓不改。文字另行规定封面用于竖屏阅读、标题由人工后续排入。

把画面事实与期待效果分开记录

参考图里已经存在的内容和你希望新增的内容，应使用不同句式。“原图中有两只杯子”是观察；“希望最终只保留左侧杯子”是编辑目标。将两者混写，可能让材料识别与修改要求相互干扰。无法辨认的文字或模糊细节，宜先人工确认，不把猜测当成确定资料。

分析图片时也适用同一方法。可以要求先列可直接观察的元素，再单独列推测和需要补充的信息。例如一张流程草图能帮助梳理节点关系，却不能仅凭线条推断真实团队的职责或实际执行时间。

给冲突安排一个处理规则

将需求分为必须满足、尽量满足和可自由发挥三类。必须满足的通常是输出方向、保留主体和禁止添加的内容；尽量满足的可以是光线或装饰偏好；可自由发挥的部分则留给创作。遇到冲突时先保留必须项，再调整偏好项。

示例：当参考图横向构图与竖版封面冲突时，允许扩大背景，但不裁掉植物主体；当两张参考图的配色不同，以文字列出的色彩为准。这些规则需要在生成前写下，不能等结果出来后才临时改变评价标准。

按材料角色检查结果，而不只看整体感觉

检查时逐项回到参考材料：主体是否保留，布局是否留足标题空间，颜色是否符合要求，是否出现不需要的附加文字。把“和想象不一样”进一步拆成能指出位置的反馈，例如“主体现位于中央，需下移以扩大顶部留白”。这样的反馈更容易执行。

多种材料一起输入不保证工具能理解所有细节。工具是否接受对应文件类型、支持几张参考图、能否精确编辑，都需要在实际服务中确认。重要内容应保留原文件，并用人工检查弥补模型可能遗漏的约束。

继续追问