视觉理解Vision

先认出这张带框的退货照，再看没图或看不清会怎样

下面就是退货照片。默认框出碎杯可以退；只给文字看不见缺口；反光时框还在，但必须待审。

知识点：看见，不是猜见

照片上的框和待审章已经演过，这里只给命名。

• 视觉理解让模型读像素，输出物体、缺陷、图内文字和位置。
• 检测框和置信度要长在图上，才能核对「它到底看了哪」。
• 模糊、裁切、反光会让断言失效；低于阈值就停、补拍、交人。
• 它不是 OCR：OCR 专抠字；视觉回答的是「图里有什么、坏在哪」。

什么时候用、怎么用

判断依赖照片里的物体、布局或损坏，而不是一篇文字说明。

• 信号：退货照、货架、设计稿、单据版面。
• 适用：先框再答；低置信和质量差的图不要当验收。
• 不适用：已经有清晰文字记录的问题——不必绕一张图。
• 最短路径：给图 → 看框和置信度 → 看不清就补拍或交人。

正反例：同一张碎杯照

问题都是「能不能按破损退」。