必须通过结构化提示词强制模型建立坐标系感知并分区域作答：先声明坐标系原点与轴向，再指定无歧义空间区域，最后限定JSON输出格式；调用API时将提示词填入prompt字段，多图需配独立提示词；可用Seedream 4.0结合Depth Map或YOLO归一化坐标提升空间定位精度。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
要在火山引擎图像理解服务中让模型准确按空间位置描述图中物体，必须绕过默认的全局摘要式输出，通过结构化提示词强制模型建立坐标系感知并分区域作答。直接问“图里有什么”只会得到笼统列举，无法定位“左上角的红色杯子在蓝色笔记本左边”这类关系。
构造带空间锚点的提问模板
第一步：在提示词开头明确声明空间参照系。例如写：“请以图像左上角为原点(0,0)，水平向右为x轴正方向，垂直向下为y轴正方向，建立二维坐标系。”
第二步：指定目标区域或相对关系。必须用不可歧义的方位词，如“图像正中央偏右15%区域内”“位于画面底部三分之一横条带中”，避免使用“附近”“旁边”等模糊表述。
第三步：限定输出格式。加上硬性约束：“仅输出JSON格式，字段为{‘region’: ‘描述区域’, ‘objects’: [{‘name’: ‘物体名称’, ‘position’: ‘相对坐标或方位描述’}]}”。【不加此格式约束，模型大概率返回自由文本，无法程序化解析】
调用视觉理解API时传入空间提示词
在调用火山引擎CV API（如/api/v1/visual/understand）的body中，将上述构造好的提示词填入prompt字段，而非放在image_url参数后随意追加。
注意：若同时提交多张图，每张图必须配独立的空间提示词——共用同一段提示词会导致模型混淆参照系。
这一步操作起来很简单，直接把构造好的prompt字符串塞进JSON body的对应键里就行。
用Seedream 4.0做空间关系微调生成
方法一：在Seedream 4.0的ControlNet输入中启用Depth Map预处理器，上传原图后自动生成深度图。此时模型天然具备前后层次感知，再配合提示词“标注前景人物左手边第二块砖石的颜色”，就能锁定具体空间单元。
方法二：对关键物体手动打框→导出YOLO格式坐标→将坐标字符串拼入提示词，例如：“[person: x1=0.23,y1=0.41,x2=0.48,y2=0.87] → 描述此人右侧紧邻的金属箱体特征”。【坐标必须归一化到0~1区间，原始像素值会触发解析失败】
