視覺問答的提示技巧：讓模型看它該看的地方

視覺模型會被圖中最顯眼的元素吸引。如果你要問的是角落的小字，需要明確引導。

四個實用技巧

1. 指定區域：「圖片右下角的表格中……」比「這張圖裡的數字」準得多。
2. 先描述再回答：要求模型先列出看到的內容，再回答問題，能減少憑印象作答。
3. 明確可以說看不到：給出「若圖片中無此資訊，回答 not_visible」的選項。
4. 一次問一件事：一個提示問五個問題，後面幾個的品質會明顯下降。

步驟一：列出圖中所有可讀的文字，包含位置（上／中／下、左／右）。
步驟二：根據列出的文字回答問題。若問題涉及的資訊未出現在步驟一，
        answer 一律填 "not_visible"。

問題：發票的統一編號是多少？

輸出：{"observed": [...], "answer": "..."}

裁切往往比提示有效

如果你已經知道資訊在哪個區域，直接裁切那塊送進去。這比任何提示技巧都有效，而且更便宜。版面固定的單據尤其適合。

多張圖的比較

要比較兩張圖時，明確標號並要求逐項對照，例如「圖 A 與圖 B 的差異，請依項目列出」。不標號時模型常常會混淆兩張圖的內容。