muse wonder支持多模态输入解析：pdf自动启用文档理解模块；图片上传或粘贴截图可定位关键区域并提取结构化字段；混合输入（pdf+图片+语音）通过active focus机制跨模态对齐；jsonl格式需pdfelement v12导出，仅muse wonder full支持。
☞☞☞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☜☜☜
你需要让Muse Wonder准确理解并处理PDF文档、手机拍的发票照片、带表格的扫描件，甚至视频截图里的文字信息，而不是只靠复制粘贴文本或手动OCR转录。
上传PDF文件并触发多模态解析
在支持Muse Wonder的界面（如Muse Code或Meta Model API调用前端），点击「+」或拖入PDF文件→系统自动识别为文档类输入→Muse Wonder启动内置文档理解模块，无需额外勾选“启用OCR”或切换模式。
这一步不依赖用户选择语言或页码范围，模型会默认加载全部页面的视觉布局与文本流双重表征。若PDF含加密、权限限制或非标准字体嵌入，【解析可能中断且不报错，仅返回空响应】，此时需先用PDFelement V12等工具解密并导出为标准PDF/A格式再重试。
处理图片类输入：发票、证件、手写便签
方法一：直接上传JPG/PNG/HEIC格式图像文件，支持单张或最多5张批量上传。
方法二：粘贴截图（Ctrl+V）——仅限桌面端Chrome/Firefox/Safari最新版，Edge暂不支持剪贴板图像直传。
上传后Muse Wonder会同步执行三项操作：定位关键区域（如金额框、日期栏、印章位置）→提取结构化字段（自动标注“保单号”“理赔金额”“出险时间”）→关联上下文记忆（例如你此前提过“这是太平洋保险的车险理赔”，它会把当前图片绑定到该保单ID下）。注意：手写体识别准确率在83%左右，低于印刷体98%，若关键数字识别错误，可加一句“请重新识别左上角红框内手写金额”来触发聚焦重检。
混合输入：PDF+图片+语音备忘录协同分析
第一步：上传一份PDF保单条款 → 第二步：上传三张理赔现场照片 → 第三步：录制15秒语音说明“当时右后视镜被撞凹陷，但定损单没列这项”。
Muse Wonder的Active Focus机制会立刻检测到文本条款中“外观损伤需48小时内拍照举证”的约定，与语音中“右后视镜凹陷”形成逻辑锚点，再反查第二步图片里是否包含该角度——若未覆盖，则主动追问：“未检测到右后视镜视角照片，是否需要我指导如何补拍？”
整个过程不需你手动标注“这张图对应哪条条款”，模型基于跨模态对齐能力自动建立图文音映射。但语音必须为清晰普通话，方言、严重口音或背景音乐超过-15dB时，语音转文本阶段即失效，后续所有推理将丢失该输入源。
从PDFelement V12导出结构化数据供Muse Wonder深度使用
打开PDFelement V12 → 打开目标PDF → 点击右上角「AI工作区」→ 选择「智能提取」→ 勾选「表格+签名+高亮批注」→ 导出为JSONL格式。
该JSONL文件含原始坐标、置信度、字段语义标签（如"field_type": "bank_account_number"），比纯文本或图片输入多携带23类空间与类型元数据，Muse Wonder Full可据此跳过基础OCR阶段，直接进入规则校验与跨文档比对。普通Muse Wonder版本不支持JSONL输入，上传后会被降级为通用图像解析流程。
