图片和文本按什么顺序送进书生-S2，取决于模型加载时声明的输入形态：常见的一种是一条消息里分块排布，图文在同一个 content 列表里；另一种是图文成对字段分别传。顺序写错通常不会让模型加载失败，但会让对话模板套不上，表现为占位符数量对不上、图片被忽略，或者返回内容跟图片没什么关系。

判断路径：先看加载日志确认输入形态是单条分块还是成对字段，再用一张图加一句话跑最小样例。尺寸、色彩模式、编码统一放在组装之前完成，这样报错时才能分清是预处理层还是模型层。占位符数量要与图片数量一致，排列顺序要与图片顺序一致。字段名一律以实际加载配置和日志为准，不要凭猜测拼。

先确认输入声明的形式：单条消息还是图文成对

先确定结构，再谈顺序。下面两段都是占位示意，字段名不代表官方接口，替换成你能在配置或加载日志里实际看到的名称即可。

形态 A，单条消息分块：

{
  'content': [
    {'type': 'image', 'image': PLACEHOLDER_IMG},
    {'type': 'text',  'text': '描述这张图'}
  ]
}

形态 B，图文成对字段：

{
  'image': PLACEHOLDER_IMG,
  'text':  '描述这张图'
}

确认真实结构的方法主要看加载日志：启动时打印的处理器与分词器名称里，是否同时出现了图像处理相关组件。如果日志显示图像组件被跳过或加载失败，输入拼得再对也白搭，先解决加载。另一个办法是分别只送文本、只送图片各跑一次，观察报错出现在处理器阶段还是模型前向阶段，通常就能判断真实结构是按块还是按字段。

用一张图加一句文本跑最小样例

最小样例的目标只有一个：确认这条输入链路能返回结果，先不追求效果。下面代码是骨架，call_model 和 preprocess 都替换成你环境里的实际调用。

img = preprocess('one.png')
msg = {
    'content': [
        {'type': 'image', 'image': img},
        {'type': 'text',  'text': '这张图里有什么？'}
    ]
}
out = call_model(msg)   # 替换为实际推理调用
print(type(out), out)

运行后应观察到的输出形态：一段可读的自然语言，内容与这张图有关；不是把占位符原样回显，不是空字符串，也不是一段 traceback。如果返回的是空串、重复你的提问、或者明显在描述别的东西，先别改模型参数，回头核对图片对象是否真的进入了消息体。建议先固定为单图单句，跑通之后再考虑多图。

把尺寸与格式处理放在组装之前

预处理在整体流程里的位置是：读文件 → 解码 → 转 RGB → 缩放或裁剪到允许范围 → 归一化或编码 → 组装输入 → 送模型。也就是说，组装函数里拿到的应该已经是处理好的图像对象或编码，而不是原始文件路径。这样分工的好处是：预处理失败和模型失败会落在不同的报错点上。

单独运行下面两步，不加载模型，只验证预处理：

file one.png
python prep_check.py one.png

# prep_check.py
import sys
from PIL import Image
im = Image.open(sys.argv[1])
print('size=', im.size, 'mode=', im.mode, 'format=', im.format)
im2 = im.convert('RGB')
print('rgb ok', im2.size)

如果这一步就报错，问题在文件本身、解码库或色彩模式，跟模型无关；如果这一步通过、送进模型才报错，再去查组装顺序和占位符。需要结合环境确认的一点是：某些部署会限制图片边长或通道数，超范围会在预处理阶段被静默裁剪，这种最好在预处理日志里显式打印处理前后的尺寸，避免后面排查时误判。

顺序或占位符写错时的现象归类

报错文本五花八门，但大致能归到三类。先看关键词落在哪一类，能省掉大量试错。

三类里只有前两类跟本页主题直接相关。第三类出现时，改输入顺序不会有任何帮助，这是最容易浪费时间的地方。

把跑通的输入组装写成可复用函数

最小样例跑通后，立刻把组装方式固化成函数，后面所有实验都走同一个入口，避免每次手拼结构。

def build_input(image_path, question, prep):
    # image_path: 单张图片路径
    # question:   与这张图配对的文本
    # prep:       已在别处验证过的预处理函数，返回图像对象或编码
    # 返回结构中的字段名必须以实际加载配置为准
    # 顺序约定：占位符与图片按同一顺序排列，文本紧跟在配对图片之后
    img = prep(image_path)
    return {
        'content': [
            {'type': 'image', 'image': img},
            {'type': 'text',  'text': question}
        ]
    }

验证一致性用同一张图重复调用：同一句话连续跑两次，先比较返回结构是否一致；如果解码参数带随机采样，先把温度设为确定值，或者只比较结构不比较文本内容。再用同一张图换一个不同问题，返回内容应随问题变化，否则说明文本那一侧没被真正读进去。然后用两张不同图片配同一句话，确认返回随图片变化。三组都通过，再把函数扩展到多图场景：把图片列表与占位符按同一顺序展开，并在注释里写死这个约定，免得后面有人插队插入。