第1章｜图像、音频与视频的输入契约

前置：本课程导读。图像不只是一个URL：模型看到的是解码后的像素及可能的缩放/裁切，文字可能因降采样丢失。需要读取小字时先检查原图分辨率、裁切区域和坐标映射；不要把视觉模型输出当OCR真值。多张图要保留次序、来源和问题中的指代。

本章阅读

1. 图像、音频与视频的输入契约
2. 从真实文件得到像素、PCM与带时间的视频帧
3. 从视频文字检索到原帧引用

完成正文实验与变体后核对本章答案。