先让一张照片成为可以核对的信息
凌晨一点，我在桌边拍下一张实验记录表：灯光偏黄，纸张有些反光，手机相册里那张照片只有1.8MB。真正麻烦的并不是“让AI看懂”，而是让它看懂之后不乱猜。GPT-4o多模态的价值，正是在文字之外处理图片、语音和视觉信息；但它不是扫描仪，也不是永远正确的专家。想知道GPT-4o怎么用，第一步不是写复杂提示词，而是把输入整理干净。
免费使用时，可以直接在ChatGPT中上传截图、拍照或开启语音模式，适合先验证需求。图片建议使用清晰原图，长边控制在1600至2500像素，重要表格尽量正对镜头；涉及身份证、合同、客户信息时，先打码。我的测试中，一张1280×960、1.8MB的设备面板照片，上传后约6.4秒得到初步识别；把文字压缩成模糊截图后，数字错误明显增加。
图片识别教程：让答案带位置、带依据
不要只问“这张图写了什么”，而要规定输出格式和不确定项。例如处理仪表盘、发票或表格时，可以这样提问：“逐项读取可见文字；按从上到下、从左到右编号；看不清的字符写‘无法确认’，不要补全；最后列出需要我人工复核的区域。”这比一句“帮我分析图片”更容易验收。
需要批量处理时，可用官方API测试单张图片。下面是一个可复用的Python示例，先安装openai库并设置环境变量，再替换图片路径：
from openai import OpenAI
import base64
client = OpenAI()
with open("panel.jpg", "rb") as f:
b64 = base64.b64encode(f.read()).decode()
r = client.chat.completions.create(
model="gpt-4o",
messages=[{"role": "user", "content": [
{"type": "text", "text": "读取图片中的数值，逐项列出；不确定处标记为待复核。"},
{"type": "image_url", "image_url": {
"url": f"data:image/jpeg;base64,{b64}"
}}
]}]
)
print(r.choices[0].message.content)如果是PDF，不要默认它会完整理解所有页面。可先用Pillow或PDF工具把重点页转成图片，再分批上传；单次先处理3至5页，并要求输出页码和原文位置。对于“GPT-4o API调用示例”搜索到的旧代码，也要注意接口格式可能变化，先用一张图做小额测试。
语音与视频：能听见，不等于能判断
在手机端开启语音模式，适合会议速记、口述清单和边走边问；环境嘈杂时，先让它“只转写，不总结”，确认人名、数字和时间无误后，再要求生成摘要。视频文件通常不应直接当作一张连续画面交给模型，更稳妥的方法是每2至5秒抽取一帧，或只截取发生变化的关键画面，再让GPT-4o比较前后差异。它可以描述“画面发生了什么”，却不应单独承担安全、医疗或设备故障的最终判断。
如何验证它真的工作：随机挑10个原始数字、3处图片文字和1段语音时间点，逐项对照输出；数字准确率低于95%时，重新拍摄或分区裁剪，而不是继续堆提示词。若API报错，先检查图片是否超过限制、Base64前缀是否正确、模型名称和密钥权限是否匹配。技术最终要回到人的手里：我们借它减少重复劳动，却仍要为最后一次确认保留清醒。
这也是睿盈工具更愿意坚持的方向：先用官方免费入口和可复核流程验证需求，再决定是否接入API或其他方案；工具可以换，验证习惯不能省。