看到 PixelUMM 的消息后，先别问“它能不能替代现有 OCR 或多模态流程”，先问自己每天处理的输入到底是什么：单张照片或截图、整页扫描件，还是图文混排页面。PixelUMM 的输入口径要以公开模型页面和实际接口为准，尤其是是否支持 PDF、多页文档和版式结构。把业务按输入形态拆开，再决定按读图还是按读文档试，比直接比较模型名称更有用。
判断是否值得试 PixelUMM，先按输入形态分：单图、整页文档、图文混排。适用场景是已有真实样本、能接受人工复核的图文任务；操作上固定同一批样本分别按读图和按整页文档跑，记录输出可用性与修改位置；验证以人工能否直接使用为准；逐字精确、强版式还原、跨页引用等要求，暂时不要交给它。
把自己现在的图文任务拆成输入形态清单
先拿一个表格，把最近一周实际发生的任务列出来。不要写“文档理解”这种笼统目标，要写到输入文件和下游用途。只看三类输入各自的出现频次和下游用途，不讨论模型内部结构。
| 输入形态 | 每周频次（填实际） | 典型来源 | 下游用途 | 出错代价 |
|---|---|---|---|---|
| 单图 | 填写 | 手机拍照、截图、单页照片 | 客服回复、内容审核、信息补录 | 可人工补录，代价较低 |
| 整页扫描件 | 填写 | 发票、合同、表单、报告页 | 字段录入、归档、检索 | 漏行或错字段会影响入库 |
| 图文混排 | 填写 | 海报、说明书、带表格和批注的页面 | 摘要、问答、结构化提取 | 指代不清或漏图会误答 |
同一任务既有单图又有整页扫描时拆成两行。下游用途决定容错：给人复核的摘要和直接入库的字段抽取，不该用同一套判断标准。
在 PixelUMM 的公开材料里确认输入输出的口径
只把公开模型页面、README、示例代码和接口说明里明确写出的内容当作已确认。不要因为别的多模态模型支持 PDF 或多页文档，就默认 PixelUMM 也支持。查不到的部分写“未确认”，不要用推测补全。
- 输入：是单张图像、图像序列、PDF 页面，还是文档文件；是否支持多页。
- 输出：纯文本、结构化 JSON、坐标框、表格结构，还是只给自然语言描述。
- 限制：图像尺寸、页数、语言、是否保留版式，公开材料没写就标未确认。
| 确认项 | 公开材料怎么写 | 状态 |
|---|---|---|
| 输入类型 | 只看到图像输入，或明确写了文档输入 | 已确认/未确认 |
| 文档格式 | 是否明确支持 PDF 或多页 | 没写就填未确认 |
| 输出形式 | 文本、JSON、坐标等，以公开示例为准 | 已确认/未确认 |
| 使用限制 | 尺寸、页数、语言、版式 | 未写即未确认 |
如果公开材料只说明图像输入和文本输出，整页扫描件先按“渲染成页面图像再读”试；如果连 PDF 是否支持都没写清，多页文档任务先标待确认，不要先向业务方承诺。
用同一批真实样本分别按读图和读文档试一遍
固定一批覆盖主要版式的真实样本，不要只挑清晰样例。建议先取十几到几十份，包含正常页、倾斜页、表格页、带批注页。对同一份整页样本，一次按单图读，一次按整页文档路径读，仅当公开接口明确支持时执行；两次使用相同任务描述，避免提示词差异干扰判断。切入顺序建议先单图，再整页文档，最后图文混排：单图变量少，整页文档最容易暴露版式问题，混排最依赖图文指代。
每次记录固定字段：输入形式、输出是否可用、需要人工修改的位置、失败原因、最终判断。不要只记“效果好不好”，要记“错在字段、错在行、错在表格串列，还是整段不可用”。
sample_id: S01
input_form: single_image / full_page / mixed_layout
task: 字段抽取 / 页面摘要 / 表格转写
public_capability: confirmed / unconfirmed
output_usable: yes / partial / no
manual_fix: 字段错位 / 漏行 / 表格串列 / 无
decision: single_image / document_page / not_now
note: 只写可复核的观察判断标准可以很直接：同一任务下，哪种输入形态的人工修改位置更少、修改动作更明确，就先按哪种形态接入。若整页文档路径需要大量重排才能用，而单图读法只能处理局部，不要急着合并成“万能方案”，先拆任务。
标出当前不适合交给它的任务
需要一条停止线：如果业务要求逐字精确、强版式还原、跨页字段关联，或者输入是合同、发票、审计底稿这类强版式文档，而公开材料又没有明确支持文档结构和坐标输出，就先不要交给 PixelUMM 做主流程。另一个停止线是“为了用模型而改业务规则”，例如原本要求字段位置不能错，后来改成“错位也能接受”，这已经不是模型选型，而是业务降级。
- 输出要逐字精确：金额、编号、条款原文，不能靠自然语言复述。
- 输入是强版式文档：多栏、跨页表格、页眉页脚参与语义。
- 需要稳定坐标或表格结构：公开材料未确认支持时，不写入承诺。
- 没有人工复核环节：先补复核，再谈自动化。
这些任务不是永远不能用，而是当前阶段先标“不试”或“只做辅助”。等公开材料确认了相应输入输出能力，再用同一批样本复测。
把结论写成任务与输入形态的对照表
最后把实验结论收成一张可查的表，下次遇到新需求先查表，不要重新凭印象判断。表格建议用这些列：业务任务、输入形态、公开能力是否覆盖、固定样本结果、主要人工修改点、当前决定、备注。填写口径是：以最近一次固定样本实验为准；公开材料未确认的能力不填“支持”；同一任务有单图和整页文档两种输入时分行记录。
| 业务任务 | 输入形态 | 公开能力是否覆盖 | 固定样本结果 | 主要人工修改点 | 当前决定 | 备注 |
|---|---|---|---|---|---|---|
| 截图信息补录 | 单图 | 已确认/未确认 | 可直接用/部分可用/不可用 | 字段错位等 | 先按单图试 | 保留复核 |
| 整页表单字段抽取 | 整页扫描件 | 以公开材料为准 | 同上 | 漏行、串列 | 按整页文档试或暂缓 | 不承诺逐字精确 |
| 图文混排页面问答 | 图文混排 | 未确认就写未确认 | 同上 | 指代不清、漏图 | 只做辅助 | 需要人工核对 |
这张表要能回答三个动作：这个任务该按单图还是整页文档试、试完看哪些字段、什么情况下停下来。PixelUMM 只是候选工具之一，先把输入形态和业务容错写清楚，再决定是否接入，通常比追着模型名称换方案更稳。