同一张表格截图，模型有时读对、有时读错，通常不是模型本身“忽好忽坏”，而是两个变量在同时动：图片进模型前被缩放或切分成了什么样子，以及提问有没有把读取范围、输出格式讲清楚。判断顺序建议反过来走——先把模型真正收到的图存下来看一眼，再固定其中一个变量做对照，而不是同时改尺寸和提示词。

读错表格的排查方向，先分清是“模型看到的图被改了”还是“提问没说清”。适用场景是同一张表格截图结果不稳定。操作动作：把预处理后的图另存对比、打印实际输入尺寸与切片数、固定尺寸只改提问、固定提问只改尺寸。验证方式：看预处理图是否糊、表头是否被切走、输出字段数与表列数是否一致。风险边界：不同版式差异大，结论只在同类表格图上成立，换版式需重跑对照。

把模型真正收到的图片存下来对比

多模态模型很少直接吃原图。前端通常会把图片按长边或像素总量做缩放，宽表还会被切成多片送给视觉编码器。你看到的“同一张图”，到模型那里可能已经变过形。所以第一步不是改提示词，而是把处理后的图落盘。

如果走本地加载，可以先从 processor 的参数复现缩放动作；更直接的办法是把 pixel_values 反归一化还原成图。下面是一个通用骨架，字段名按你实际使用的 processor 调整：

from PIL import Image

# 1) 按 processor 实际生效的长边做一次同样的缩放，存下来对比
def dump_resized(path, out, max_side):
    im = Image.open(path).convert("RGB")
    w, h = im.size
    s = min(1.0, max_side / max(w, h))
    im2 = im.resize((max(1, int(w * s)), max(1, int(h * s))), Image.BICUBIC)
    im2.save(out)
    print("orig", (w, h), "sent", im2.size)
    return im2

# 2) 把模型真正收到的张量还原成图，逐片存出来
# inputs = proc(images=im, text=prompt, return_tensors="pt")
# pv = inputs["pixel_values"]
# print("pixel_values", tuple(pv.shape))
# for i, t in enumerate(pv[0]):
#     arr = ((t * 0.5 + 0.5).clamp(0, 1) * 255).byte().permute(1, 2, 0).numpy()
#     Image.fromarray(arr).save(f"slice_{i:02d}.png")

肉眼对比方法很简单：把原图和 slice_XX.png 并排看三件事——表格线是否变粗糊在一起、小字号数字是否已经认不出、表头行和数据行是否落在不同切片里。如果表头出现在第 0 片、第 3 行数据出现在第 1 片，模型很容易把列对应错。

查清楚输入图片被限制在多长边或多少像素

第二步是确认限制值到底是多少，而不是猜。限制通常写在 image_processor 上，常见名称包括 size、max_pixels、min_pixels、max_side、crop、slice、max_slice_nums 这类（不同版本叫法不一样，先打印出来看）。

proc = AutoProcessor.from_pretrained(MODEL_DIR)
print(proc.image_processor)
print("size:", getattr(proc.image_processor, "size", None))
print("max_pixels:", getattr(proc.image_processor, "max_pixels", None))
print("slice 相关:", getattr(proc.image_processor, "max_slice_nums", None))

inputs = proc(images=image, text=prompt, return_tensors="pt")
print("pixel_values:", tuple(inputs["pixel_values"].shape))

如果 pixel_values 的第一个维度大于 1 片，说明图被切了。这时要看的是“切在哪里”：是沿高度切还是沿宽度切，切点是否正好落在表格的行或列中间。判断切分是否切断了行列，最快的办法是把每片单独存图，数一下哪片缺表头、哪片缺左列。日志里可以搜 resize、crop、slice 这几个关键字，确认生效的是哪一档。表格列多而字小的时候，像素总量限制往往会先触发切分，而不是单纯缩小。

固定图片尺寸只改提问写法

确认了图片输入路径不变之后，把尺寸和切分参数锁死，只换提问。这一步的目的，是看错误到底有多少来自“没说清楚读哪一块”。建议至少试三种写法，并把每次答案记在同一张表里：

row_prompt = "只读取第 3 行，从左到右输出单元格内容，用 | 分隔，不要输出任何解释。"
col_prompt = "只读取『金额』这一列，从上到下输出数值，每行一个，不要输出表头。"
region_prompt = "只处理表头以下的区域，按行输出：行号|第1列|第2列|第3列，缺失的单元格写 NULL。"

对照记录建议包含这些字段，避免只凭印象判断：图片指纹（尺寸或文件哈希）、切片数、提问模板编号、模型原始输出、字段个数是否等于表列数、错误类型（漏行／串列／表头当成数据／合并单元格拆错）。

如果逐行、逐列提问能稳定读对，而开放式提问总出错，问题更偏提问写法；如果三种写法都错在同一列或同一行，那基本可以回到图片那一边继续查。

固定提问只改图片尺寸与切分方式

反过来做一遍：提问文案一个字不改，只改图片的长边、像素上限和切分重叠。尺寸不要一次跳太多，按阶梯走，每次只动一个参数。切分重叠（overlap）如果可配，建议先设一个小重叠量，观察跨片行是否还能被拼回来。

# 只改这里的值，提问固定不变
MAX_SIDE_LIST = [896, 1120, 1344]
SLICE_OVERLAP_LIST = [0, 小重叠]  # 具体字段名按你的 processor 填

这一步的判断口径是看“错误位置是否随尺寸改变而移动”。若把长边调大后错误行消失，说明是清晰度或切分引起；若无论怎么调错都在同一处，更可能是提问范围或表格本身的合并单元格在干扰。注意：调大尺寸会带来更长的视觉 token 和更高耗时，需要在你的环境里权衡，不要把它当成无代价的开关。

把稳定复现的那组参数固化成调用模板

找到一档能稳定读对的组合后，把它固化成函数，让同一类表格图每次都走同一条输入路径，而不是每次手改参数。骨架大概是这样：

def build_inputs(proc, img_path, prompt, fixed):
    im = Image.open(img_path).convert("RGB")
    im = im.resize(fixed["size"], Image.BICUBIC)
    inputs = proc(images=im, text=prompt, return_tensors="pt",
                  max_pixels=fixed["max_pixels"])
    return inputs, tuple(inputs["pixel_values"].shape)

FIXED = {"size": (1120, 1120), "max_pixels": None, "prompt": region_prompt}

一次验证运行的观察点建议只盯四条：pixel_values 的形状是否和记录一致、切片数是否一致、输出字段个数是否等于表列数、输出里是否混进了表头文字。四条都对，才把这条路径留给同类表格图复用；只要有一条对不上，就别扩大适用范围。

最后提醒一句边界：这套对照能帮你分清“切分”和“提问”各占多少责任，但结论只对同类版式的表格图成立。表格结构、字号、是否有合并单元格一变，建议重新走一遍前四步，不要直接把参数套过去。