标签：视觉词元 visual token

为什么 AI 读错截图里的数字：它拿到的图比屏幕上那张小得多

你把截图原图丢给 AI，它把 9,847 读成 9,347，或者把发票上一行小字整段编出来。原因大概率不在「眼神」，在尺寸：Claude 官方明写它按 28×28 的像素块看图，每块算一个视觉词元，超过上限的图会先缩小；1920×1080 压到 1456×819，你屏幕上 12 像素的小字到它眼里只剩 9.1 像素，而 4K 截图压完和 1080p 一模一样大——分辨率白涨了。这篇给出三张能自己复算的数：面积、字高、词元。最有用的结论反直觉：别放大整张图，裁一块再发——600×400 的局部不缩、字高完整保留、只付 330 个词元，比整张的 1,560 还便宜 4.7 倍。另附一个扫描口径：论文实测约 300ppi 追平传统 OCR、150ppi 以下明显退化，而 9.1 像素的字折算下来只有 62ppi。