第9章实践：看图盘点助手——把"看起来像"变成证据分级

预计 2×45 分钟。先完成"观察与运行"，再完成"单变量修改与解释"。

第1步：需求与背景

你用摄像头拍了一张书桌的照片，让AI模型列出桌上有什么。模型说："一台笔记本电脑、一本书、一个杯子、一副耳机。"看起来很流畅，但你定睛一看——耳机是旁边椅子上挂着的不桌上，杯子其实是空的而且模型没提到。

视觉模型的问题在于：它说得很自信，但不一定很准确。遮挡、低光、小字、角度和场景先验都可能导致视觉幻觉。

本章不训练视觉模型，而是用课程提供的图片（或摄像头）测试模型的回答，并把每句结论标为证据等级：画面直接可见、疑似、无法确认。

制作一个"看图盘点"小助手：

课程授权图片
    ↓
视觉模型（本地VLM或录制输出）
    ↓
候选描述 → 证据分级规则
    ↓
A: 画面直接可见 / B: 疑似 / C: 无法确认
    ↓
扰动对照（遮挡/裁剪/低清）→ 人工看原图核验

本章使用课程提供的 6张合成示意图（不是真实照片），覆盖以下场景：

如果图片文件不可用，Notebook 使用预录的模型输出完成全部A档观察。

视觉模型（多模态大语言模型）接收一张图片和一段文字提问，输出文字回答。

图片像素 → 视觉编码器 → 图像特征向量
                                    → 语言解码器 → 文字回答
提问文字 → 文本编码器 → 文本特征向量

关键理解：
- 模型不是"看到"图片，而是把像素变成数字特征，再根据特征生成文字
- 特征提取有局限：小字、低对比度、遮挡区域可能丢失信息
- 语言解码器可能"补全"它没看到的内容——这就是视觉幻觉

本章的"证据分级"是一个规则模型——人写的规则，不是学出来的。它的作用是：
- 对视觉模型的输出做后处理
- 强制模型（或学生）为每个结论提供证据
- 把"看起来像"变成"有证据支持"

这种分工在AI系统中很常见：学习模型负责候选，规则模型负责约束和检查。

使用 Qwen Code 完成以下任务（选择一项）：

任务A：为证据分级规则新增一条规则
- 例如："如果模型提到颜色，但图片是黑白的，自动标为C"
- 先预测这条规则会影响哪些结论

任务B：修改一张图片（裁剪或降低分辨率），观察模型输出变化
- 使用 Notebook 中的图片处理代码
- 先预测裁剪/降质会让哪些结论从A变成B或C

"证据分级"的思路可以迁移到：