GPT-4o多模态使用：把文字、图片和语音放进同一个任务

GPT-4o 的多模态能力意味着它不仅能处理文字，还能理解图片、截图、文档和语音等信息。正确用法不是炫技，而是把不同形式的信息合在一起解决真实问题。

图片理解场景

你可以上传产品截图，让它指出界面问题；上传手写笔记，让它整理成大纲；上传图表，让它解释趋势；上传照片，让它生成说明文案。提问时要说明你关心什么，否则回答会过于泛。

请看这张后台截图，从新手用户角度指出3个最容易困惑的地方，并给出改版建议。

语音和文字结合

在学习外语、会议记录、口播修改中，多模态很有用。你可以先用语音说想法，再让模型整理成正式文档；也可以让它把一段书面文改成适合口播的脚本。

图文联合分析

做电商详情页时，可以同时给产品图和卖点文字，让模型检查图文是否一致；做课程时，可以给课件截图和讲稿，让模型判断讲解顺序是否清楚。

提示词技巧

明确输入类型、分析角度和输出格式。例如“请只根据图片可见信息回答，不要猜测不可见部分”；“请用表格列出问题、影响、修改建议”；“如果无法判断，请标注无法判断”。

风险与限制

模型可能误读图片细节，尤其是小字、复杂图表和模糊截图。涉及诊断、法律证据、合同条款时不能只依赖模型结论。上传图片前也要注意隐私和版权。

小练习

截一张你常用软件的界面，让 GPT-4o 从“第一次使用的人”的角度提 5 条改进建议。再让它把建议按影响和改动成本排序。