图片里的内容明明在，Mage 的回答却像没看过图——这种时候先不要反复改问法。顺序、模板、占位符是三条各自独立的链路：提示词里图片和文本的先后顺序，决定图像标记落在序列的哪个位置；对话模板决定角色标记和图像标记有没有被正确套用；占位符替换决定图片到底有没有被真的塞进输入串。三条里错任何一条，模型看到的输入都和你想的不一样，回答自然会“答非所问”。建议用同一张图、同一句问题做最小复现，每次只改一个变量，靠打印出来的原始输入和回答原文判断，而不是凭感觉猜。
判断方向：先固定同一张图、同一句问题，把「图片在前/文本在前」「换对话模板」「打印原始输入数占位符」三条线各跑一次，只改一个变量。适用场景是多模态模型回答看不出用图的情况。验证方式是比对两次的输入串和回答原文，并检查图像占位符个数是否等于图片张数。风险边界：如果连单张只含一行文字的图都读不对，问题多半不在图片复杂度或提示词顺序，需要回到模板和占位符两条线上查；具体结论必须结合你本地的库版本与模板文件确认。
同一张图同一句问题，换两种提示词顺序各跑一次
先隔离顺序这一个变量。准备一张图，问题固定不变，只调换 content 里 image 与 text 两个块的先后。下面的 generate 是占位函数，替换成你自己的调用方式（本地推理、HTTP 请求或 SDK 均可），关键是两次调用除顺序外完全一致。
from PIL import Image
img = Image.open('one_line.png')
q = '图里的那行字是什么？'
# A 组：图片在前
msgs_a = [{'role': 'user', 'content': [
{'type': 'image'},
{'type': 'text', 'text': q},
]}]
# B 组：文本在前
msgs_b = [{'role': 'user', 'content': [
{'type': 'text', 'text': q},
{'type': 'image'},
]}]
print('A 组回答原文:')
print(generate(msgs_a, images=[img]))
print('B 组回答原文:')
print(generate(msgs_b, images=[img]))两次输出请原样贴回记录，不要凭印象写“差不多”。差异点按这三项标注：
- 是否读出了图里的具体字符（不是“我看到一张图”这类泛泛描述）；
- 回答里有没有出现与图片内容无关但与前文文本高度相关的句子，这通常说明图像部分被忽略；
- 回答长度和结构是否明显不同——若只有顺序变了而回答几乎一致，说明该模型对顺序不敏感，可以把顺序从怀疑名单里划掉。
打印送进模型的原始输入，数清图片占位符个数
顺序排掉之后，看真正拼出来的那串文本。多数实现都会在做完整理后给出一个字符串，先用 repr 打印，避免换行和特殊字符被终端吃掉。图像标记的名称因模型而异，先用 <image> 举例，实际请替换成你模板里真正使用的标记（可能是 <|image|>、<img> 等）。
text = processor.apply_chat_template(
msgs_a, tokenize=False, add_generation_prompt=True)
print(repr(text))
print('占位符个数:', text.count('<image>'))
print('实际图片张数:', len(images) if isinstance(images, list) else 1)检查要点是一一对应：占位符个数应当等于本次传入的图片张数。少一个，说明图片没被替换进去或者替换被截断；多一个，说明模板里自带了一个固定图像标记，和外面传进来的图叠加了。这两种情况都会让模型拿到的图像特征与图像标记数量不匹配。异常时常见的报错形态是提示 image tokens 与 image features 数量不一致，措辞随实现不同，请以你日志里的原文为准，把那一行完整抄进排查记录，比转述可靠。另外注意：如果拼接发生在服务端，本地打印不到，就去看服务端日志中打印输入串的位置，或临时打开调试输出。
换一套对话模板重跑同一组输入
模板决定了角色标记和图像标记怎么套到消息上。常见位置有三处：tokenizer 配置里的 chat_template 字段、独立的 jinja 模板文件（例如 chat_template.jinja）、以及服务端启动参数（例如某些推理服务用 `--chat-template` 指定）。先确认当前生效的是哪一份，再换成另一份重跑完全相同的输入。
# 方式一：运行时替换模板
with open('templates/mage_chat.jinja', 'r', encoding='utf-8') as f:
processor.chat_template = f.read()
text_alt = processor.apply_chat_template(
msgs_a, tokenize=False, add_generation_prompt=True)
print(repr(text_alt))
print(generate(msgs_a, images=[img]))两次回答并列对比时，重点看两件事：一是替换模板后打印出的输入串里，角色标记与图像标记的位置是否发生了变化；二是回答是否从“看不到图”变成能引用图中内容。如果只有换模板才恢复正常，问题就落在模板上——多半是原模板缺少图像分支，或者图像分支写在了错误的角色块里。如果换模板后依旧如此，模板可以排除。切换前建议保留原模板文本，排查结束后还原，避免把临时改动留在配置里。
用单张只含一行文字的图做最小验证
前面三条都跑完还不确定，就换一张复杂度最低的图，排除“图太复杂所以读不出来”这种误判。生成一张白底、只写一行字符的图即可：
from PIL import Image, ImageDraw
img = Image.new('RGB', (640, 160), 'white')
d = ImageDraw.Draw(img)
d.text((20, 60), 'MAGE-7391', fill='black')
img.save('one_line.png')期望回答应当包含 MAGE-7391 这串字符。实际回答请粘贴原文。结论边界这样划：
- 单行字图能读对，说明链路基本通了，原先的“对不上”更可能来自复杂图的细节阅读，而不是提示词顺序或模板没配；
- 单行字图也读不出，说明问题在输入构造层，回到占位符与模板两条线上继续查，而不是继续调提示词；
- 字体渲染、图片分辨率、字符集都可能影响识别，这一步只用来判断“链路是否通”，不用于比较模型强弱。
四条线跑完后的落点判断可以这样归类：打印出的占位符个数与图片张数不等，属于占位符问题；占位符正常但换模板后输入串里的角色与图像标记位置变了、回答也随之变化，属于模板问题；两者都正常、只是调整图片与文本先后顺序就改变了回答，属于顺序问题；三者都正常而单行字图仍读不对，则需要结合你的库版本、图像预处理方式和部署配置继续确认，不宜直接归到提示词写法上。