MOSS-VL-Realtime 回答总在描述背景，通常不是模型“不会看”，而是两件事叠在一起：提问没有把注意力约束到具体目标上，同时送进视觉编码器的图太大，画面被切成大量图块后，模型倾向于先覆盖整体再谈细节。要分清主因，别同时改提示词和分辨率——先固定一切，只动一个变量，看输出粒度往哪边动。

用同一张图做三组单变量对照：只改提问指向、只改输入尺寸、只改最大输出长度与停止条件。适用场景是图片问答输出泛化、答非所问、描述背景。操作上先跑提示词对照，再跑尺寸梯度，最后排除截断。判断依据是输出首个分句是否落到目标实体、位置或数量。若三者都无效，多半是目标在画面中占比过小或模型本身能力边界，需要改裁切策略而不是继续调提示词。

把问题改成明确指向，做同一张图的提示词对照

先选一张你手上有明确答案的图，比如桌面上一个白色杯子。把提问拆成三版，每版只要求一种粒度，并显式禁止描述背景：

版本A（只答目标名称）
图里左侧桌面上那个白色容器是什么？只回一个名词。
不要描述背景、光线、场景，不要解释。

版本B（只答位置）
白色杯子在画面的哪个区域？只从“左上/中上/右上/左下/居中/右下”里选一个回答。

版本C（只答数量）
画面中有几个白色杯子？只回一个阿拉伯数字，不要其他文字。

三版共用同一张图、同一组生成参数，逐条记录。记录表按下面字段建，输出原文照抄，不要摘要：

对比方法是看“首个分句”。A 版首分句是不是名词、B 版首分句是不是方位词、C 版首分句是不是数字。如果三版都从“这是一张……的图片”起手，说明提示词还没起约束作用，问题更可能出在输入侧，接着做尺寸对照。如果 A、C 版本明显收敛而 B 版仍发散，说明约束写法本身需要更硬的格式限定，而不是图太大。

固定提示词只改输入尺寸，观察输出粒度变化

提示词统一切到上一节表现最好的一版，生成参数全部锁死，只改送进模型的图像尺寸。梯度可以先取短边 512、768、1024、1280 和原图五档，长边按比例缩放，超过上限再走裁切。

预处理通常发生在 processor 或 image_processor 里，缩放和裁切就在那一步。要先确认本地实现走的是哪条路径：是按最短边缩放、按最长边缩放，还是先缩放再中心裁切。可以在预处理前后各打一行日志，记录原始尺寸和实际传入的张量形状：

img = Image.open(path).convert('RGB')
print('origin', img.size)
inputs = processor(text=prompt, images=img, return_tensors='pt')
print({k: tuple(v.shape) for k, v in inputs.items() if hasattr(v, 'shape')})

字段名以本地实现返回为准，有的实现返回 pixel_values，有的还会返回网格信息，两者都能拿来核对实际图块数量。对照记录只记三项：档位、实际送入的张量形状、输出文本原文。比较时看同一档位下输出是否开始出现具体物体细节，而不是只复述“桌面上有物品、背景是房间”。若尺寸下降后描述明显变具体，输入尺寸就是主因之一；若各档输出几乎同构，尺寸不是关键，回到提示词和生成参数。

调整最大输出长度与停止条件，看是否为截断或跑题

有些“总在描述背景”只是前几十个 token 被背景铺陈占满，真正答案还没轮到就停了；也有相反情况，长度放太宽后模型自由发挥。参数项按本地实现支持的来，常见的有：

• max_new_tokens：生成长度上限，先取 64、96、128、256 四档。
• temperature / top_p：想复现对照就压低随机性，比如温度取接近 0 的确定性解码。
• repetition_penalty 或 no_repeat_ngram_size：抑制反复描述同一片背景。
• stop / stop_strings：把句号、两个换行或固定结束标记设为停止条件，让模型答完即止。
• eos 处理：确认结束符没有被配置过滤掉，否则模型会一直写下去。

逐档跑完记录输出长度与结尾形态。截断的判定特征比较固定：输出在半个短语或半个括号处结束、结尾没有句读、生成 token 数正好贴近上限、日志里的结束原因显示为长度而非正常结束。出现这些特征，说明前面几节的对照都被截断污染了，需要先放宽上限重跑，再谈提示词和尺寸的影响。

用一组固定样例做交叉对照，判断主因

单张图的现象不能当结论。样例建议选 3 到 5 张，覆盖这几种情况：目标占画面比例很小、目标占比较大；背景干净、背景杂乱；单目标、同类多目标。这样交叉之后才看得出是“图太大导致忽略小目标”，还是“提问没指向导致一律铺陈”。

对照矩阵按行放“图片 × 提示词版本”，列放输入尺寸档位，格子里填输出是否符合要求粒度（符合/部分符合/不符合）并附一句原文摘录。同一矩阵再叠一列“放宽长度后是否改变”，用来标出被截断干扰的格子。判定规则可以按下面走：

1. 只有提示词版本改变结果、尺寸各档一致：提示词约束不足是主因。
2. 只有尺寸档位改变结果、提示词版本一致：输入过大是主因，重点改缩放与裁切。
3. 两者都改变且方向一致：两个因素叠加，先降尺寸再收紧提示词。
4. 两者都不改变：先查生成参数与结束符，再考虑目标占比过小需要单独裁切区域送图。

把选定的提问模板与输入尺寸写进配置并复跑

把验证过的一组组合固化成配置，避免每次手写提示词和临时改尺寸。示例结构如下，字段名按你的调用方式替换：

prompt_template: '图中{target}位于画面的哪个区域？只从“左上/中上/右上/左下/居中/右下”里选一个回答，不要描述背景。'
preprocess:
  shortest_edge: 1024
  keep_aspect: true
generate:
  max_new_tokens: 96
  temperature: 0.0
  stop:
    - '。'
log_fields:
  - image_shape
  - output_text
  - finish_reason

复跑步骤：清掉上一次的缓存输出，用同一批样例图、同一模板、同一尺寸档位重跑一遍，把输出写入同一张对照表的新列。一致性检查看三点：输出粒度是否与选定档位一致、finish_reason 是否都为正常结束、实际送入的张量形状是否与配置里的目标尺寸吻合。如果形状对不上，说明预处理分支没生效，回去查缩放和裁切的调用位置，而不是再改提示词。