其实一开始的需求就一个————让ai替代UI仔的拼界面工作，有设计图和切图，在工程内用切图和代码拼出来设计图像素级匹配的界面 
一开始的设想是写个工具使用opencv模板匹配，识别位置准确度极高但是识别率低 
然后拿yolo做补充，吭哧吭哧训练好久不说，准确度也低了，识别率也没提上来 
本地搭多模态llm，Gemma4和Qwen3.5都试了，询问附件图片的大小都读不出来，更不用说询问控件在图片内的位置了 
一咬牙大不了加钱，但是一路测试下来，只有gpt和sonnet及以上的多模态可以像素级读图，比如两张图发过去问第一张图在第二张中出现的位置和大小，虽然和opencv有一两个像素的差别但已经是天才级的猛男了… 
别的模型没见到能读准像素位的，瘸子里的将军是kimi2.6，但也是1024图片能误差30+像素…别的上来宽180的图片跟你说长度1000，长度512的一堆一堆… 
群友有吐槽你去问百...