让 AI 在地图上找路时，你可能会反复修改问题，却没想到它连起点和终点都看错了。视觉语言模型（VLM——同时处理图像和文字的模型）一旦在识别阶段出错，后面的推理再强也无济于事。这项工作因此换了思路：先改图，让关键元素更容易被模型看懂。
据 Towards Data Science 原文转述，在 SPaRC——一种要求模型遵守符号规则、规划网格路径的测试——中，研究者给起点和终点分别加上 S、E 标签后，Qwen 3.5 397B 的准确率从 14.4%升至 32.6%。这种视觉标注属于模型调用前的输入预处理：它把图中元素与任务语言直接对应起来，效果可能胜过继续润色提示词。
但标注并非越多越好。文章称，增加网格线或通用坐标的效果并不稳定，部分标注甚至会拉低表现。真正值得带进生产管线的，是针对具体识别缺口改造输入，并用任务级评测筛选，而不是给图片机械地堆信息。