一句话定义：图像上传前的预处理（image preprocessing before upload），是指在把图片交给多模态模型（multimodal model）之前，在客户端主动完成的缩放、裁剪、方向校正与格式重编码等操作，目的是让“模型实际看到的那张图”信息最完整、最可用。
打个比方：模型的输入分辨率就像墙上一个固定尺寸的相框。你拿一张 A0 海报过去，只有两种放法：整体缩到相框里，字全都变小、细节被压掉；或者裁下一块局部放大，只看得见一角。所谓“上传原图”，并不等于模型能看见原图的全部细节，因为相框的尺寸是固定的，海报再大也塞不进去。至于缩到相框里用哪种算法、裁哪一块，如果都交给服务端自动决定，你就把“看清什么”的控制权交出去了。
三个容易踩的坑
其一，长边限制。多数视觉模型对输入有长边上限，内部会把图片切成图块（patch）再编码。超限的图会被统一缩小，你在原图里精心保留的小字、细线，按比例缩完就没了。反过来，把一张小图强行放大也不划算：插值只是在补像素，不会凭空造出信息，只会让文件变大、传输变慢。具体上限与计费方式各家不同，以官方页面为准。
其二，重编码。JPEG 是有损压缩，反复存一次就多一层块效应（blocking artifact），文字边缘会发糊、发毛；原本锐利的截图从 PNG 转成 JPEG，笔画边缘还会冒出彩色噪点。更隐蔽的是 EXIF 方向信息（Orientation）：它被剥离或被忽略后，图片会“躺倒”90°，模型看到的是一张旋转过的图，识别率会明显下降。
其三，体积。几千万像素的原图上传慢、易超时，失败重试又浪费时间，体验不稳定。
| 做法 | 常见操作 | 对视觉理解的影响 |
|---|---|---|
| 上传原图 | 直接发送手机/相机原片 | 被强制缩放，细节不可控；上传慢 |
| 合理缩放 | 长边贴近模型上限，高质量重采样 | 细节保留最好，速度也快 |
| 分区裁剪 | 整图看布局，局部裁切看文字 | 兼顾全局与细节，推荐做法 |
| 反复转码 | PNG→JPEG→再压缩 | 边缘糊化、噪点增多，纯损失 |
和相邻概念的区别：数据增强（data augmentation）是训练阶段造样本，目的是让模型更鲁棒；图像压缩只关心文件大小。这里关心的是“信息保真 + 模型可读”，是推理链路上的一次工程取舍。
实际意义：对从业者，预处理是低成本高回报的一环——统一长边、优先无损格式、把方向“烧”进像素、需要看细节就裁切而不是硬缩。对普通职场人，一条经验就够：发给模型的图，不是越大越好，而是“该看清的地方，在缩放后依然看得清”。