研究比想象中更常和图像打交道：想核对的论文插图、需要统一描述的刺激材料、软件输出的截图，还有参与者的照片。Neutropic 用两种不同的方式处理图像。模型可以看图，告诉你它看到了什么；测量工具可以量图，返回数字以及背后的代码。弄清楚你拿到的是哪一种，就完成了大半工作。

本文两种方式都会介绍。截图来自两次新对话：一次读柱状图，一次测量两张照片。

如何把图像交给 Neutropic

在输入框中上传（PNG、JPG、GIF 或 WebP）。上传的文件会以 @ 标签附在消息上，模型随这条消息一起看到图像。
用 @ 提及已有的图像。 项目里 Neutropic 之前生成的图也可以，比如投稿前请它点评一张图表。

有几条实际限制：

每条消息最多附 4 张图，每张不超过 4 MB。
模型必须支持图像。Gemini、Claude、GPT 和 Kimi 模型支持，DeepSeek 模型不支持，问图像相关的问题时请切换模型。
模型只能看到当前消息附带的图像。之前上传的文件只会列出名称，代理会请你用 @ 重新附上，而不是去猜。

读一张图

以一个典型请求为例：手上有一张来自论文或同事的柱状图，但没有数据文件。

text

请读一下附上的图 stroop_rt_figure.png：它展示了什么？根据坐标轴估计每根柱子的均值和误差线，说明它提示了什么模式，并列出仅凭这张图无法判断的内容。

这张图是我们自己画的，所以知道真实值：一致条件下为 512 和 505 ms，不一致条件下为 598 和 561 ms，标准误分别为 14、13、17 和 15 ms。

在这次运行中，代理是看图读数的：它估计各柱约为 512、505、598、561 ms，标准误约为 14、13、17、15 ms，与画图时使用的数值一致。在另一次用英文发送同一请求的运行中，代理更进一步，在沙箱中载入图像，找到坐标轴刻度，把像素换算成毫秒，再定位每根柱子的顶端。它的估计是 511.2、504.3、597.3 和 560.4 ms，与真实值的差都在 1 ms 以内，代码也随回答一起保存。

回答中更有用的一半，往往是图表说不出来的部分：

仅凭这张图无法判断的内容：无法据此推断统计显著性（没有检验统计量和效应量），也没有正确率数据来排除速度与准确率的权衡。

有两点需要注意。第一，从图上读出的数值是估计值，用来核对论文足够，但不能替代数据。若用于元分析，请用专门的数字化工具提取，并在报告中说明。第二，模型对视觉判读给出的"置信度"并不是经过校准的测量值，不如直接问它的推理依据。

测量照片

需要可以写进论文的数字时，请使用测量工具。处理视频的数据分析请求同样适用于照片：

text

/analyze 测量附上的两张照片：pose_yoga.jpg 做姿态估计（关节角度、姿势、关键点叠加图），face_smile.jpg 做面部表情测量（动作单元、情绪、头部姿态）。请简要汇总数值。

测量两张照片的对话：附有两张图的请求，下面是 Pose Estimate 和 Face Expression 两个步骤，右侧打开了姿态叠加图。

pose_estimate 找出 33 个身体关键点，返回关节角度、姿势、手臂位置、躯干倾斜、朝向和叠加图。参见姿态分析。
face_expression 返回 0–1 尺度的 17 个面部动作单元、情绪标签和头部姿态。参见面部表情分析。

对同一张图像，两个工具每次都算出相同的数字。它们为每张图像保存一张表，报告中的句子带有 [n] 引用，指向每个数字背后的工具调用：

![照片测量的报告，句子上的 [n] 引用指向 pose_estimate 和 face_expression 步骤。](/blog/image-analysis/cited-report.png)

看与量：该用哪一种

用"看"（视觉） 来描述、比较、发现问题，或读取文字和大致数值。典型对象是图表、刺激材料、软件输出截图、幻灯片草稿，以及 UX 研究中的界面截图。
用"量"（工具） 来获得要写进结果的数字，比如 AU 强度、关节角度，或任何要在参与者之间比较的值。
两者结合。 让模型确认叠加图画在了正确的人身上，再报告工具给出的角度。

早期的一次内部检查说明了这个区分为何重要。在测量工具出现之前，模型读同样两张照片时，描述是对的（一张笑脸、一个双臂下垂站立的人），却附上了一个没有经过任何测量的"98% 置信度"。现在，数据分析技能要求代理原样引用工具数值，凡不是来自工具的数值都不算测量值。

研究用途

核对图表。 检查你审稿或引用的论文中的图，投稿前让它点评你自己的图。
刺激材料。 统一描述图像刺激，或为人脸刺激集测量表情数值。
截图。 在导出文件丢失时读取软件输出中的统计表，等数据找回后再正式核对。
参与者照片。 测量某一瞬间的姿势或表情，并整理成表。

坦诚的局限

视觉不是测量。 模型的判读是估计，可能出错，尤其是小字、密集的图和截断的坐标轴。
每条消息最多 4 张图，每张 4 MB，且只在支持图像的模型上可用。
用于照片的测量工具与视频有相同的局限：姿态角度是二维的，AU 是 blendshape 近似，每张图只处理一个人或一张脸。
GIF 模型可以读，但测量工具不接受。测量请用 PNG、JPG 或 WebP。

有人物的照片：知情同意与隐私

首次上传前，Neutropic 会显示 上传研究数据之前 的提示，请你确认已具备处理这些数据所需的权利、同意和审批（例如 IRB 或伦理委员会）。也请留意每种分析在哪里进行：测量工具在 Neutropic 的服务器上运行，只把数字交给模型；而模型看图时，图像本身会发送给你所选的模型提供商。上传内容在你删除之前一直保存在私有工作区，不会用于训练。详情见隐私政策。