codex自动降采样超大图：5760×3240图触发内置流水线，保留语义与文本清晰度；4200×2800图3秒内缩至3840×2560；长边超7680像素则强制单块裁剪丢弃边缘；支持预缩放lanczos、动态分块+缩略图、材质感知自适应三种策略；可手动通过脚本预处理、文件名标记“.codex-raw”或指令验证元信息覆盖自动降采样。
☞☞☞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☜☜☜
当你上传一张分辨率为5760×3240（约1870万像素）的全景图到Codex时，模型不会直接报错或卡死，而是自动触发内置的降采样流水线，将图像压缩至模型可处理的动态分辨率范围，同时保留关键语义结构和文本区域清晰度。
系统如何识别并响应超大图
打开Codex桌面端后，任意对话框中拖入一张尺寸为4200×2800的PNG文件→右下角状态栏短暂显示“解析中…”→3秒内切换为“已缩放：3840×2560”→分析流程继续执行。该过程无需用户干预，但若原始图长边超过7680像素，系统会跳过动态分块，直接启用强制单块裁剪模式，【此时图像中心区域外的内容将被永久丢弃】。
默认降采样策略与参数逻辑
方法一：预缩放+LANCZOS插值（适用于含密集文字的PDF截图）
调用PIL.Image.resize()时，以长边≤768px为硬约束，使用Image.LANCZOS算法重采样；该步骤在OCR通道启动前完成，能避免公式符号粘连、小字号虚化等常见失真。
方法二：动态分块+全局缩略图（适用于海报/网页截图类高宽比异常图）
系统先生成一张512×512全局缩略图用于布局理解，再将原图按336×336视觉patch切分；当总patch数＞64时，自动合并相邻patch并降采样至224×224；此机制可防止InfographicVQA类任务因局部放大而漏掉图表标题。
方法三：材质感知自适应缩放（仅GPT-5.5-Codex项目模式启用）
对金属反光区、玻璃折射区等高频纹理区域保留原始分辨率子块，其余区域统一缩放到1024×768；需手动在设置中开启“增强模式”，否则默认关闭。
通过本地 Codex 或 OpenClaw OAuth 凭证直接调用 ChatGPT/Codex Responses 的 image_generation 工具来生成或编辑光栅图像，然后保存
手动覆盖自动降采样的操作路径
第一步：在上传前，用Python脚本预处理图像
执行以下代码可强制将任意尺寸图转为Codex最优输入规格：
from PIL import Image
img = Image.open("input.jpg").convert("RGB")
w, h = img.size
scale = min(1024 / max(w, h), 768 / min(w, h))
img.resize((int(w*scale), int(h*scale)), Image.LANCZOS).save("codex_ready.jpg")
第二步：上传时添加元数据标记
在文件名末尾添加后缀“.codex-raw”，例如“chart.png.codex-raw”→系统检测到该标记后跳过所有自动缩放，直接送入双通道解析引擎；【注意：若原始图＞4K且未启用增强模式，此操作将导致OCR通道崩溃】
第三步：验证缩放结果
上传完成后，在对话框中输入指令“显示当前图像元信息”→返回JSON中"input_resolution"字段即为实际送入模型的尺寸，非原始尺寸。
