先看现象。用 openai 1.55 的 Python SDK 调 gpt-4o-2024-11-20 读一张 2400×3200 的小票照片，问「合计金额是多少」，模型把数量与单价那一列读成金额，回答 128.00，实际合计 256.00。把 detail 设成 high 也没改善，在提示词里写「仔细看最后一行」还是错，同一批 10 张里错了 4 张。
真正麻烦的地方在于，几个原因的现象几乎一样。整图缩到 768 宽后小票文字只剩几个像素，金额列糊在一起。少数情况下是小票是斜着拍的，行没有对齐，模型按列读串了行。
少数情况下是detail=high 只提高切块数量，不会对局部做增强。
不容易想到的是，提示词没限定输出格式，模型倾向返回看起来合理的数字。
第一件事是按金额区域裁出下半部分单独识别
python -c "from PIL import Image;im=Image.open('bill.jpg');w,h=im.size;im.crop((0,int(h*0.55),w,h)).save('bill_bottom.jpg',quality=92)"随后把裁剪出来的区域放大两倍再送模型
python -c "from PIL import Image;im=Image.open('bill_bottom.jpg');im.resize((im.width*2,im.height*2)).save('bill_big.png')"接着用同一请求对比整图与裁图的结果
curl https://api.openai.com/v1/chat/completions -H "Authorization: Bearer $KEY" -H 'Content-Type: application/json' -d '{"model":"gpt-4o-2024-11-20","messages":[{"role":"user","content":[{"type":"text","text":"只返回合计金额数字"},{"type":"image_url","image_url":{"url":"data:image/png;base64,...","detail":"high"}}]}]}'等前面都确认过，再记录裁剪图的尺寸与识别结果做回归
python -c "from PIL import Image;im=Image.open('bill_big.png');print(im.size)"怎么算真的好了，看的是同一批现象。裁剪后模型返回 256.00 与人工核对一致，同批 10 张小票的金额全部对上，错行的情况不再出现。
票据类识别别指望一次整图搞定，先按字段区域裁切再放大，成本比反复调提示词低得多，也更容易做成回归用例。如果同一现象隔几天又出现，说明根因没找到，别当偶发处理。