通过阅读h3官方论文，我总结了面向使用者提示词编写经验和避坑h3缺陷。 简单描述就是h3全模态模型,音频主动理解和被动理解能力拉跨，论文测试成绩得分大约是27%. 图像主动理解和被动理解较高，论文测试成绩得分大约是56%.而图像强理解能力带动了视频运动状态预测的准确度。 其中介绍一下h3全模态输入职责： 图像描述可见实体与空间布局。 视频提供运动和状态变化。 音频给出事件线索或口头约束。 文本指定所请求的操作。 在使用过程中遵循： 绝不让声音自己找主体，必须用提示词文本点名。 精细动作必须切大特写，用…