标题：漏看角落水印之后我补了一道视觉检查，中间踩了三个坑

起因：一行我自己没看见的小字

上周帮朋友整理一批活动照片，挑完我按老习惯放大检查了一遍：构图、曝光、有没有路人入镜，都过了，发出去。

第二天对方来问：右下角那行字是什么？

放大到百分之三百才看见，一行浅灰色小字，版权署名。我检查的时候完全漏了。人眼对"预期之外的小东西"就是这样，你盯着主体看的时候，角落是盲的，多认真都没用。

那几天正好在摸百炼 CLI 的视觉描述命令 bl vision describe，就把这批图重新过了一遍。它把那行字念出来了。下面是过程里踩的三个坑，记一下。

坑一：第一次问得太泛，答非所问

我上来就问"这张图讲了什么"。

回来的是一段挺流畅的整体描述，主体、色调、构图都说到了，唯独没有我要的那行角落小字。它不是没看见，是我没让它去扫角落——问的是"讲了什么"，它就答整体印象。

改成显式点名之后就不一样了：

bl vision describe --image ./活动照片.jpg --prompt "图里有哪些文字？包括角落的小字"

同一张图，这次它把主标题念了，还单独点出右下角那行浅灰署名。

我的体会是：这类命令的提问不能写意图，要写检查项。 "讲了什么"是意图，"有哪些文字，包括角落的小字"是检查项。想查角标就把角标、台标、署名一个个列出来，想连页脚编号一起查就把页脚写进去。它给的颗粒度基本就是你提问的颗粒度。

--prompt 不写也有默认问法，跑是能跑，但拿到的东西跟你的用途对不上。批量的时候提问一律写死，别用默认。

坑二：对照组差点被我省掉

跑通一张图之后我差点就直接写结论了——"18 像素浅灰小字能认出来"。

停下来的原因是心里有个说不清的别扭：我只问了带水印的那张，它答"有水印"。可万一它就是顺着问题往下编呢？这类模型最容易翻车的地方从来不是看不清，是没看也说看了。只测正向，我测到的其实是它的顺从度。

于是回头补了对照组，素材自己造，把变量压到最小：

• 图片用 PIL 生成 900×600，右下角埋一行 18 像素浅灰字，另存一份去掉这行字的
• 视频用 ffmpeg 做 4 秒 640×360 灰底，drawtext 在右下角烧一行白色 22 像素角标，另存一份不烧的

四组跑完：

素材	提问	它答	对不对
带水印图	有哪些文字，包括角落的小字	主标题 + 右下角那行浅灰署名	对
同图去水印	同上	只有主标题，明确说角落无水印、无小字	对
带角标视频	画面里有什么文字	右下角白色角标	对
同段去角标	画面里有什么文字或水印	没有任何文字或水印，顺带描述了各时段画面	对

四组全对，零次幻觉。区别全在对照组：去水印那次它老老实实说"没有"，才说明带水印那次的"有"是读出来的，不是编的。

视频那两组我多做了一步：把带角标那条视频的第 50 帧单独抽出来存成图，自己盯着看了一遍，确认角标确实在右下角、确实是白色 22 像素，然后再去比模型的判定。这一步听着多余，但它是"我认定它答对了"的前提——我要是没抽帧，万一 ffmpeg 那行 drawtext 写错了、角标压根没烧上去，模型答"有"我就真信了。素材是自己做的时候，连素材本身也要验一遍。

视频组的输出跟图片组不太一样，它会按时间段说话，大致是"从某秒到某秒画面是什么"这种结构。带角标那次它在时段描述之外单独点出了右下角的白色文字；去角标那次它说没有任何文字或水印，然后照样把各时段的画面讲了一遍。后者让我稍微松了口气：它没有因为"没有文字"就敷衍了事，也没有为了迎合问题硬编一个出来。

这一步花的时间不到十分钟，但它决定了前面所有结论能不能往外说。省掉的话，这篇文章就只是一次运气好的抽样。

坑三：把"认得出"当成了"都认得出"

写完初稿我回头改了一处措辞。原来写的是"角落小字它都能念出来"，这句是错的。

我能证明的只有一档：18 像素、浅灰、放在角落。再小、再淡、跟背景对比度更低，或者素材本身被压过好几轮，我一次都没测，不能替它打包票。视频那边还有一条独立的限制，是时长：我的角标全程挂在画面上所以稳，半秒一闪而过的东西不保证抓得住，这类素材我不会只依赖一次调用。

还有一条我写在最显眼位置的：它念的是"它看到的"，不是"事实"。图里本来就有错别字，它会照念给你。所以核对类用途里我拿它当第一遍筛子，把可疑的挑出来，人再过一遍。

补对照组的时候顺手确认了一件事：默认模型是 qwen3-vl-plus，--model 能换，但我这四组只在默认模型上跑过。谁要换模型，对照得重跑一遍，结论不继承。

顺手记下的几件小事

跑这四组的过程中记了些零碎，写在这里省得别人再摸一遍。

本地路径直接给就行，图和视频都是，CLI 自己上传，不用先把文件推到网盘或者对象存储换一个外链。我原本以为要先折腾一遍链接，白准备了半天。视频这边认的格式是 mp4、mov、avi、mkv、webm。

--image 和 --video 是二选一，一条命令不会同时吃图和视频。写批量脚本得先按文件类型分流，我一开始图省事想混在一个循环里跑，发现参数根本不通用。

--prompt 不写也能跑，它有默认问法，但拿到的是一段整体描述，跟你具体要查什么多半对不上。坑一就是这么来的，所以现在我的批量脚本里提问一律写死。

视频那条我会多加一句"按时间段说"，让它显式分段，角标出现在第几秒就有据可查；不分段的话回来的是一段笼统描述，回头想找证据都找不到。

跑通之后我拿它干的几件事

水印这事只是起因。命令跑顺之后发现能接的地方不少：

• 二创素材自检：用别人的图或视频之前先问一句"画面里有哪些文字和标识"，角标、台标、署名一次看清，比我逐帧拖进度条可靠
• 归档检索：一堆培训录像和活动回放，按"画面里出现过哪些字"批量过一遍，用念出来的标题归档，不用全片快进
• 扫描件复核：合同扫描件、报告截图的角落章、页码、编号，念出来跟正文台账对
• 无障碍描述：给视障同事说清一张信息图里到底写了什么

共同点是同一件事：画面里的文字和标识，人眼会漏，它逐块扫。

想自己试的话

装 CLI、领 Key、一条命令，三步：

npm install -g bailian-cli
bl vision describe --image 你的图.jpg --prompt "图里有哪些文字？包括角落的小字"

Key 在控制台密钥管理页领（地域选华北2 北京），CLI 安装说明和命令文档在阿里云百炼 CLI（bl）。

我的建议是别只跑正向那一张。花十分钟做一份去掉标识的对照素材，两组都跑一遍，再决定信不信它。我这次的三个坑里，最贵的就是那个差点省掉的对照组。