image-qa（场景层：图像问答与元素定位）

底座命令（glance/ground/detect/crop/trace/pixel-diff）已覆盖通用识图能力， 本场景把它们组织成一个一致的流程和输出格式，作为看图类请求的兜底场景。 没有单独的新能力——是"验证底座已满足 + 统一调用方式"。

触发场景

• 描述照片/场景/示意图："这张图是什么 / 描述一下"
• 关于图片的问答："图里有几个人 / 这个页面有没有广告 / 路上是什么车"
• 定位元素："烟囱在哪里 / 找出图中所有红色物体"
• 对比："这两张图有什么区别"
• 判断性问答："这个证书是真是假 / 这截图是哪个软件"

工作流

Pass 1 — 先问清楚再回答

• 对"是什么/描述/内容判断"类：glance "<图>" -q "<问题>"（或直接 --ocr 若问题只是读字）
• 对"对比"类：glance "<图1>" "<图2>" -q "<问题>" —— 一张调用里传两张图，别分开调用
• 对"是否变化"类：先 pixel-diff "<图1>" "<图2>" 拿到差异框，再对差异框 glance --region 读内容。模型答"变了没变"是抛硬币，pixel-diff 是像素级的。

Pass 2 — 定位与放大

• 问"在哪里"：ground "<图>" "<目标描述>" → 得到 x1,y1,x2,y2 像素框
• "第几个同类"（如第 3 根柱）别直接 ground：序数定位模型不稳。先 detect "<图>" "<种类>" 全量枚举（每个带坐标），按坐标/标签挑目标，再对框放大。实测范例：detect 图 "bars" 精确返回 Q1@165-255、Q2@327-417、Q3@489-579、Q4@651-741，按 x 范围即知第 3 根是 489-579。
• 框内细节看不清：glance "<图>" --region X1,Y1,X2,Y2 -q "<问题>"（上传裁剪放大）
• 要数"所有同类"：detect "<图>" "<种类>"（枚举清单 + 坐标）
• 框要反复用：crop "<图>" --region ... -o "<局部>.png" 切出来

Pass 3 — 交叉验证像素级事实

• 颜色、精确尺寸、小偏移：别信 prose。用 palette 取色号，用 trace/crop 量几何。

输出格式

## 图像问答结果
**图片**：<路径>   **问题**：<用户问题>

### 回答
<直接回答，引用图上的具体证据>

### 证据（坐标 / 局部）
- 目标位置：`x1,y1,x2,y2`
- 相关局部：<crop 出的文件，供主模型/用户复核>

### 不确定点
- <哪里看不清、哪些是推测、哪些需要原图确认>

工具与能力边界（实测记录）

工具

• vision-core 全部命令：glance / ground / detect / crop / trace / palette / pixel-diff / extract-fg / html-shot / long-ocr
• 出错时如实报告视觉 API 错误，绝不编造图片内容。

Source: 基于 vision-core（上游 agent-vision-toolkit）+ 实测验证