UnifoLM-OminiA-0.3 这类同时接收图像和语音的模型，通常不会在响应里给出“我先处理了图像、再处理了语音”这样的显式字段。能确认的只有输出文本里留下的痕迹；不能确认的是模型内部的调度顺序。因此，判断输入谁先谁后时，可行的办法是设计一组只改一个变量的对照请求，把“先看还是先听”变成可复现的观察结果，同时先接受一个边界：观察到的优先级是当前接入方式、当前提示词和当前参数下的表现，换配置要重测。

同时给图和语音时，不要靠猜内部顺序，而是用三组输入做隔离：只图、只语音、图加语音，固定文本问题和采样参数，记录输出首句提到的对象。然后交换模态在请求里的排列位置再跑一遍，排除位置造成的错觉。若两次结果一致，就把这个顺序写进请求模板：在文本通道里显式声明以哪路输入为准，并固定模态排列。若不一致，说明当前配置下顺序不可靠，应在文本里补显式优先级指令，而不是依赖排列位置。

固定文本问题，分别只给图、只给语音、图文语音都给

这一组的目的，是先知道模型单独处理每一路输入时分别会说什么，再看合在一起时输出更像哪一路。构造方式如下：三组用同一句文本问题，例如“请概括你收到的全部信息，并说明信息来源”；A 组只挂图像，语音通道留空字段而不是删掉字段；B 组只挂语音，图像字段同样留空；C 组图像和语音都挂上。留空而不是删除，是为了避免请求在校验阶段走到不同的分支，导致差异不来自模态本身。

需要固定的变量：文本问题逐字一致；图像用同一张；语音用同一段、同一采样率；温度、最大输出长度等参数一致；每组使用独立会话，不共享上下文；同一客户端版本、同一时段连续跑完。要记录的字段建议列成清单，避免只保存一段摘要：request_id、输入组合标识、完整输出原文、输出首句提到的对象、首次出现“图/画面/你刚才说”等模态指代词的位置、是否提到缺少某路输入、是否拒答。

{
  "model": "unifolm-ominia-0.3",
  "input": [
    { "type": "text",  "text": "请概括你收到的全部信息，并说明信息来源" },
    { "type": "image", "image": "<base64 或 url>" },
    { "type": "audio", "audio": "<base64 或 url>" }
  ],
  "temperature": 0,
  "max_output_tokens": 512
}

字段名要以你手上的接入方式为准，上面只是骨架；A 组把 image 内容置空、B 组把 audio 内容置空即可。每组至少重复三次，看输出是否稳定，单次结果不足以判断顺序。

在输出里找模态先后留下的痕迹

把 C 组输出和 A、B 两组对比，判断它更像哪一组。可用下面这张观察表的维度逐条填：

有一点要排除：如果输出被模板固定为“先图后语音”的格式（例如结构化字段顺序写死），这个顺序不代表模型先用了图像，只代表渲染顺序。判断前先确认输出格式是不是模型自由生成的。

交换图文语音的输入位置再跑一轮

把图像放在语音之后、再放在语音之前各跑一轮，输入内容完全不变，只改数组里的排列位置。对照表可以直接沿用上一节的字段，加两列：

需要固定的其他变量：文本问题原文、图像与语音文件、采样参数、每次新建会话、请求时段尽量接近。重复次数建议每种排列三次以上，记录方式是把完整响应体原样存文件并编号，不要只留一句人工摘要，否则回看时无法复查首句。如果交换位置后结果翻转，说明顺序很大程度由位置决定；如果不翻转，才可以把优先级当成模型侧的稳定倾向。

把观察到的优先级写进请求模板

模板里做三件事：固定模态排列顺序（例如文本在前、图像居中、语音在后，或按你测出的稳定顺序）；在文本通道里显式写明以哪路输入为准，例如“当语音与图像内容冲突时，以图像内容为准”；给每路输入在文本里加标注，说明各自来源，减少模型靠猜。下面是一段可直接改写的提示词骨架：

你将收到一段文本指令、一张图像和一段语音。
处理顺序约定：先阅读图像内容，再理解语音内容，最后合并回答。
若图像与语音信息冲突，以图像为准，并在回答中说明冲突点。
回答第一句必须指出你最先依据的是哪一路输入。

最后一句是关键，它让顺序线索直接出现在输出里，便于回归验证。验证方式：用第 1 节的 C 组请求跑三次，看首句是否稳定指出同一路输入、冲突样例是否按模板约定服从。如果模板写“以图像为准”而输出仍服从语音，调整步骤是：先把模态排列换成与观察结果一致的那种再测一次，排除位置效应；仍然不一致，就在提示词中把冲突规则写成具体例子，而不是抽象表述；再不一致，说明当前接入方式下优先级不可控，应在业务侧拆成两次请求分别处理图和语音，而不是继续加长提示词。