影像與掃描檔

一些能力最強的模型只能處理文字。它們擅長推理、程式碼與長文件，卻完全無法開啟影像。通常這是無法跨越的障礙：選擇較好的模型，就失去交給它螢幕截圖的能力。

Perch 讓你不必二選一。Perch 中的每個模型都能處理影像，包括無法看見影像的模型，而且所有方案都適用，包括免費方案。

如何運作

當你分享影像時，Perch 會將它送給能看見影像的模型。該模型只做一件事：描述視覺上呈現的內容，包括文字、版面，以及任何看起來不確定的部分。描述會以純文字傳回，並放進實際執行工作的模型的上下文中。

因此，純文字模型從未看到影像。它閱讀的是影像的仔細描述，這已足以回答螢幕截圖的問題、從掃描報表擷取數字，或告訴你圖表呈現什麼。

螢幕截圖、照片與掃描檔

依你分享的內容，會採用兩種不同處理方式。

螢幕截圖、照片與影像會直接閱讀，描述涵蓋文字與視覺脈絡：哪個控制項已選取、錯誤訊息說什麼、圖表趨勢如何，以及哪些地方看起來不對。

掃描 PDF會先經過文字擷取。多數 PDF 已有文字層，此時 Perch 會直接讀取，速度更快且精確。當 PDF 是沒有可用文字的掃描檔時，Perch 則會將頁面轉為影像，以光學方式閱讀。你不必告訴它是哪一種。

費用

不需額外費用。閱讀影像是 Perch 所有方案的一部分，包括 Starter，並非進階付費功能或加購項目。閱讀步驟不計入每月內含用量，因此分享螢幕截圖與掃描檔，除了模型處理它們的工作之外，不會產生費用。不需要啟用設定，也不需要設定任何內容。

上限

閱讀影像在設計上是快速步驟，因此不會妨礙實際工作。這也帶來幾個值得了解的限制：

• 影像最多 10 MB。
• 掃描 PDF 單次最多讀取 80 頁。
• 閱讀步驟重在快速，而不是鉅細靡遺。它能可靠地捕捉文字、結構與明顯的視覺事實。非常密集的表格、小字與手寫內容，最容易出現遺漏。
• 因為執行任務的模型根據描述工作，它只能告訴你描述所捕捉的內容。如果某個細節很重要，而你沒看到它反映出來，請直接詢問，Perch 就會再看一次。

掃描檔讀取結果為空時

偶爾 Perch 會告訴你，無法從文件擷取文字。常見原因包括：

• 檔案是從斜角或在光線不足的情況下拍攝的頁面照片。將頁面放平並在較佳光線下重新拍攝，通常能解決問題。
• 掃描解析度非常低。你讀不清楚的文字，在這裡也讀不清楚。
• 文件超過頁數上限。請分割文件，分享你需要的部分。

遇到這些情況，Perch 會說明，而不是猜測內容。空白讀取結果會如實回報，不會自行填入內容。

文件是資料，絕不是指示

Perch 從影像讀出的任何內容，都會視為不受信任的資料。如果文件中的文字看起來像指示，要求助理忽略準則、將檔案寄到某處，或改變正在做的事，這些文字都只會當作頁面內容處理。

這比聽起來更重要。掃描發票是別人製作的檔案，會在你要求的任務進行中出現。Perch 會將它視為關於發票的證據，而不是你的要求。

在瀏覽器中工作

相同能力也讓純文字模型可以在 Perch Terminal Desktop 上操作代理瀏覽器。每次動作後，模型都能查看目前畫面，看到結果後再決定下一步。請見代理瀏覽器。

Perch Roost→

Perch 如何為每項任務選擇模型。

代理瀏覽器→

由 Perch 為你操作的真正瀏覽器。