Файл — это не текст запроса
Лекция для промпт-инженера. Мультимодальный вход здесь — запрос, в котором вместе с текстом задачи есть изображение, звук или документ. Выход, который ставит промпт-инженер, — текст: поля, цитата, «на странице нет». Генерация новой картинки сюда не входит.
Рабочих мест три, примеры идут из всех трёх. Первое: инструкция боту поддержки, на вход приходит снимок окна с ошибкой, нужно снять видимый текст ошибки и подписи кнопок. Второе: инструкция по счёту в PDF, часть файла — текстовый слой, часть — печать, подпись и график на второй странице. Третье: инструкция по записи созвона на 40 минут — имена, суммы и кто что сказал. Расшифровка и «модель принимает звук» — разные обещания.
Три входа, которые не являются текстом запроса: изображение, звук, документ. Что модель из файла реально получает. Где вендор сам пишет отказ. Как поставить задачу так, чтобы пустое поле осталось пустым. Как не спутать расшифровку, чтение текстового слоя и «модель посмотрела».
Картинка, страница и секунда звука тоже становятся токенами и едят то же окно. Как устроен ответ из текста — лекция kak-ustroeny-llm. Общую анатомию текстового запроса, выбор вендора и цену токена здесь не собираем. Карточки вендоров — примеры того, как лимит записан и как карточки расходятся, не рейтинг «кто лучше».
Страницы вендоров открыты 03.10.2026. Числа лимитов — с этих страниц, они двигаются. Каждое такое число идёт с датой и с оговоркой: сверь карточку модели в запросе. Учебные размеры файлов ниже — арифметика лимита, не норма «хорошего» файла. Где две официальные страницы расходятся, лекцию не выбирает сторону.
Три двери, не одна кнопка
Пока дверь не названа, инструкция «разбери вложение» не имеет предмета. Один и тот же жест «прикрепил файл» попадает в разные продукты. Это не выбор лучшей модели.
| Что прислали | Что это за дверь |
|---|---|
| Картинка | Зрение: модель получает пятна, а не имя файла |
| PDF с текстовым слоем | Может отдать и буквы, и картинку страницы |
| PDF-скан | Только картинка страницы |
| DOCX, XLSX, HTML, Markdown у части вендоров | Извлечённый текст, график из файла пропадает |
| Звук | Либо отдельная расшифровка, либо модель, у которой звук указан во входе |
| Отдельный OCR или отдельный сервис речи | Третья дверь: это не чат, который умеет всё |
Расшифровка на выходе даёт текст, иногда без спикеров и без меток времени. Модель, у которой звук указан во входе, — другой контракт. Смешивать их в одной фразе «разбери запись» нельзя.
Первая строка задачи — что это за файл и какая дверь его читает. На трёх рабочих местах предмет разный: снимок окна ошибки — зрение кадра; счёт PDF — вопрос, есть ли текстовый слой; созвон на 40 минут — ещё не протокол «кто сказал». Как ставить каждое, разбирают отдельные темы. Здесь только развилка.
Дальше нужен аккаунт
Прогресс и монеты сохранятся.