写一个 skill 的时候发现的, workflow 里有一个步骤需要模型读取图片内容然后通过目视判断 UI 元素的位置，估算坐标，定位目标区域（可以迭代式地调整目标范围） GPT5.4 完成起来毫不费力，opus 坐标漂移的程度很夸张（大量目视判断后重试），问了下，claude 说自己看到的不是全图，而是看到渲染到会话的缩略图，比如一个 2000 宽度的图片，他实际看到的是 600 像素，这么变态的吗？
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。