求个读图准的视觉模型。我拿实拍照片当参考，让它先出详细描述再喂给生成模型对齐风格，现在这个要么描述太笼统，要么光线、材质、构图漏掉，出图就跑偏。色调、镜头感、场景细节认得准的最好，本地能跑优先，付费的也说说值不值。
描述太笼统多半是读图模型太小，换个更大的多模态会好很多
同问，我也卡在光线和材质总被漏掉这块
本地跑内存吃紧，得在精度和速度之间权衡一下
我是让它分项写:光源方向、材质、镜头、构图，逐条填，比让它自由发挥漏得少
1 个赞
分项填这招好，我还会让它最后补一句最显眼的三个特征，防漏
1 个赞
补显眼特征这招好，我还会让它把拿不准的地方单独标出来