文件處理管線的完整實作：從掃描件到可查詢的知識庫
把版面解析、OCR、表格抽取與索引串成一條可維運的管線。
圖片進模型前該做什麼：解析度、格式與 token 成本
同一張圖，處理方式不同，成本可以差三倍。這篇講清楚前處理的取捨。
視覺模型的評測：怎麼量「看對了沒有」
視覺任務的評測比純文字難，因為錯誤更隱蔽。這是可操作的方法。
跨模態檢索的實作：以圖找文、以文找圖
把圖片與文字放進同一個向量空間，需要注意的細節比想像中多。
文件理解流程：OCR、版面解析與模型各自負責什麼
把整份 PDF 丟給視覺模型不是最好的做法。分工的流程更準也更便宜。
即時視訊分析：串流場景的架構取捨
把視覺模型接上攝影機串流，成本與延遲都需要重新設計。
從圖片抽取結構化資料：發票與表單的實作模式
單據辨識不要用自由問答，用 schema 約束加上欄位驗證。
語音轉文字之後：標點、分段與講者辨識
原始逐字稿幾乎不能直接用。後處理決定了它的實用價值。
圖文混合檢索：讓 RAG 也能搜到圖表
技術文件的關鍵資訊常常在圖表裡。純文字 RAG 會整個漏掉。
視覺問答的提示技巧：讓模型看它該看的地方
同一張圖，問法不同結果差很多。這幾個技巧能明顯提升準確率。
影片理解的取樣策略：不要每一幀都送
影片內容分析的成本主要來自幀數。取樣策略決定了成本與品質。
圖片生成接進產品：提示、種子與版權的三個現實問題
生成圖不難，難的是穩定、可重現與可商用。
多模態應用的成本結構：圖片比文字貴在哪
一張圖等於多少 token？搞清楚計費邏輯，成本才控制得住。
多模態輸出的驗證：怎麼確認模型真的看懂了
視覺任務的錯誤特別隱蔽，因為輸出看起來永遠很合理。