同一份带表格的图片，喂给看图问答和喂给表格抽取，需要的输入并不一样：看图问答要的是关键区域的像素足够清楚，表格抽取要的是行列结构在处理过程中别被破坏。所以预处理不能只做一套。比较稳妥的顺序是先把素材固定下来（原图、提高分辨率的版本、裁剪出表格区域的版本），让两条链路在同一批素材上各跑一遍，再按输出里出现的“看不清”和“串行错位”两类失败分别调参数，而不是先猜一套参数然后全量套用。

判断方向：看图问答链路优先保“局部可读”，做法是裁剪关键区域后放大；表格抽取链路优先保“行列可对齐”，做法是保留结构（图像或对齐文本），不要随手压成一段流水文本。适用场景是同一份带表格材料既要问图又要抽表。操作上先固定三份素材并记录尺寸，两条链路各留请求日志和失败样本。验证靠逐字比对模型输出与目视结果、检查 TSV 每行列数是否一致。边界：模型接口字段以实际接入为准，参数起点值需要结合素材实测调整。

把一份带表格的图片做成两种输入

先固定素材，后面才有可比性。三份素材用途不同：原图只留档、不下结论；提高分辨率版本用于整图提问和表格抽取；裁剪版本只用于局部问答。文件名固定成 src_orig / src_up2x / src_crop_table，后续请求日志里直接写文件名，避免“用的是哪一版图”说不清。

# 1) 原图留档：不缩放，只重编码
magick input.jpg -strip -quality 95 src_orig.jpg

# 2) 提高分辨率版本：整图放大，表格线会明显一些
magick input.jpg -colorspace sRGB -resize 200% src_up2x.png

# 3) 裁剪版本：只保留表格区域，坐标按你图里的实际位置改
magick input.jpg -crop 1400x900+320+260 +repage -resize 200% src_crop_table.png

# 记录三份素材实际尺寸，写进素材清单
identify -format "%f\t%wx%h\n" src_orig.jpg src_up2x.png src_crop_table.png

裁剪坐标不用一次对，先按目视估一个矩形，跑完看图确认是否把表头和数据行都框进去了；框漏了表头，后面抽取必然少一行。

看图问答链路：先确认关键区域是否可读

这一步的目的是排除“因为图太糊导致答非所问”。裁剪范围建议按问题来定：问某个单元格就裁到单元格附近带一点上下文，问某一行就裁整行，不要既裁又缩，缩回去等于白裁。放大倍数从 2 倍起，放大后确认字边不发虚再加。

针对局部提问的请求骨架如下，字段名请按实际接口替换，图片可以是 URL 也可以是 base64：

{
  "model": "sense-nova-6.8-flash",
  "messages": [{
    "role": "user",
    "content": [
      {"type": "text", "text": "只回答图中第 3 行第 2 列单元格的内容，原样输出文字，不要解释。看不清就回答『看不清』。"},
      {"type": "image_url", "image_url": {"url": "data:image/png;base64,<src_crop_table.png 的编码>"}}
    ]
  }],
  "temperature": 0
}

读不清时的输出表现通常有几种，可以直接当成失败信号：一是把相邻两格内容拼在一起返回；二是给“表头看起来是……”这类带猜的表述；三是明确回答看不清或无法辨认；四是内容对但列位置错。把这四种分别记在日志里，第一种和第四种最容易被误判成“模型答对了”。

表格抽取链路：保留结构还是转成文本

判断标准很简单：哪种输入更容易得到行列对齐的结果，就用哪种。一般来说，表线清晰、单元格内容短的表，直接给图像并要求输出 TSV 更省事；表线缺失、单元格里有换行或合并单元格的，先把 OCR 结果按制表符粗略对齐成文本，再让模型只做“结构还原”，比让它同时做识别和排版更可控。

# 输入 A：图像直出结构化
POST /v1/chat/completions
{
  "model": "sense-nova-6.8-flash",
  "messages": [{"role": "user", "content": [
    {"type": "text", "text": "把表格转成 TSV：第一行是表头，行内用制表符分隔，单元格内换行用空格替代，不要合并单元格，跨行跨列处按左上角内容填一次并在值后加 *。"},
    {"type": "image_url", "image_url": {"url": "<src_up2x.png 的 URL 或 base64>"}}
  ]}],
  "temperature": 0
}

# 输入 B：文本还原
{"role": "user", "content": "下面是 OCR 文本，行用换行保留、列用制表符粗略对齐。请还原成 TSV，并把无法对齐的行单独列在末尾并注明行号：\n<粘贴 OCR/TSV 文本>"}

输出拿到后先机械核对行数和列数，再谈内容对不对：

# 每行列数分布，列数不齐的行就是错位候选
awk -F'\t' '{print NF}' out.tsv | sort | uniq -c
# 行数与目视表体行数是否一致
wc -l out.tsv

错位样本按固定格式记录，例如：行 5、列 3、输入形式 图像、现象 单元格内容右移一列、可能原因 该行表线断裂导致模型按空白切分。记录粒度到行列，后面调参才有依据。

比对两条链路的输出差异并记下失败样本

同一份素材在两种任务下的薄弱环节往往不重合：看图问答失败常出现在小字号和浅色字上，表格抽取失败常出现在跨行跨列和空单元格上。对比表建议每次只放一个素材版本，避免把变量混在一起。

这张表的作用是定位“该改预处理还是该改提示词”：错位集中在同一列，多半是输入结构问题；答非所问集中在同一区域，多半是分辨率问题。

把预处理参数按任务拆成两套配置

两套配置分开命名、分开落盘，请求日志各写各的，出问题时能一眼看出是哪个链路的输入不合格。下面的取值只是起点，需要结合你自己的素材实测后调整，不要直接当结论。

# qa.env —— 看图问答链路
QA_SOURCE=src_crop_table.png   # 局部提问用裁剪版，整图提问换 src_up2x.png
QA_MAX_EDGE=1600               # 长边上限，超过先缩再送
QA_UPSCALE=2.0
QA_ASK_SCOPE=single_cell       # single_cell | region | whole_image
QA_UNCLEAR_TOKEN=看不清
QA_LOG=logs/qa.jsonl

# table.env —— 表格抽取链路
TABLE_SOURCE=src_up2x.png
TABLE_MAX_EDGE=2400
TABLE_UPSCALE=1.5
TABLE_INPUT_MODE=image         # image | text
TABLE_OUTPUT_FORMAT=tsv
TABLE_ALLOW_MERGE=false
TABLE_LOG=logs/table.jsonl

各自的验证命令与检查清单：

# 确认送到模型的就是配置里那份素材
identify -format "%f %wx%h\n" "$QA_SOURCE" "$TABLE_SOURCE"

• 看图问答：同一问题在原图、放大版、裁剪版各问一次，三次结果不一致时先怀疑输入而不是模型；回答是否出现“可能、看起来”等猜测词；日志里是否记下素材文件名和坐标。
• 表格抽取：TSV 每行列数是否一致；表头行是否与目视一致；合并单元格是否有统一处理规则；漏行的行号是否已记进失败样本。
• 两条链路共用的检查：请求里带的图片尺寸与配置是否对得上；temperature 是否设为 0 以便复现；同一条请求是否保留原始返回以便比对。

参数改动一次只动一项，改完在日志里留一行说明动了什么，否则前后两次失败样本没法归因。素材本身有问题（例如扫描歪斜、反光遮字）时，预处理参数再怎么调也只是绕过去，这种情况应回到取图环节处理。