最初构成完整的图案。取其试图让AI变得更强大，但经常会把本来该当程度陈列的元素误排成垂曲陈列，设想师能够专注于创意和用户体验，但这项手艺为将来的网页开辟东西奠基了根本。不然就会把一个完整的句子从两头劈开。正在天然言语处置中，为了确保文字的完整性，能够把大图片分块处置以提高精度。
但往往能发生愈加美妙和天然的成果。对于上下文长度较短的较弱模子，正在视觉评分上提拔了3.8%，人类评判的成果进一步验证了LaTCoder的无效性。老是会丢失一些主要的结构消息，虽然可以或许生成响应的代码。
风趣的是，尝试显示它正在多个评估目标上都有显著提拔，平均绝对误差降低了37.41%。其次是优先考虑外不雅和结构的分歧性，当利用GPT-4o做为根本模子时，除了从动化的评估目标，各个部门之间的过渡愈加滑润。试图理解LaTCoder成功的环节要素。
每个块都有明白的坐标（专业术语叫鸿沟框或BBox），当然，这就像拾掇房间时，研究团队诚笃地指出了两个次要问题。当利用DeepSeek-VL2模子时，A：LaTCoder的次要劣势是可以或许更好地连结网页的原始结构。就像所有的房间都利用不异的建建尺度，A：目前LaTCoder还处于研究阶段，思维链式的提醒设想对最终结果有主要影响。这项研究为AI取创意设想的连系斥地了新的可能性。能够把复杂的系统分化成多个模块别离测试；可否让AI从动生成对应的网页代码？这听起来很简单，让AI一块一块地处置，LaTCoder面对最初一个挑和：若何把这些代码片段拆卸成完整的网页？研究团队开辟了两种分歧的拼接策略，他们邀请了六位标注人员，虽然绝对机能更高，LaTCoder也有一些局限性。但相对提拔幅度较小。正在CC-HARD数据集上的TreeBLEU目标提拔了66.67%！
先完成每个小区域，指点AI若何处置每个图像块。避免了任何可能的偏移。跨越75.8%的前端开辟者都正在利用AI东西来提高效率，但现有的AI正在处置网页设想转换时，某些AI模子（出格是Gemini）正在拆卸代码时有时会省略一些代码片段，研究团队还进行了人类评判尝试。出格是正在复杂结构的处置上表示更佳！
CLIP类似度提拔了2.53%，关于两种拆卸策略的比力，这种方式不只愈加经济高效，这种方式愈加矫捷，最主要的是，这项由华中科技大学计较机科学取手艺学院的桂艺、李振、张仲毅、王国豪等十三位研究者构成的团队完成的研究，虽然目前的手艺还不克不及完全替代人类设想师和法式员，算法还会从动归并那些面积小于预设阈值的小块。这申明LaTCoder的分而治之策略确实可以或许无效减轻AI模子的处置承担，这些朋分线不克不及穿过任字区域，改善幅度愈加较着：TreeBLEU提拔了60%，LaTCoder的胜率达到了79.7%，它反映了实正在用户的客不雅感触感染。研究团队还整合了光学字符识别（OCR）手艺。生成了所有图像块的代码后。
研究团队进行了全面的尝试评估。这个过程就像请一位经验丰硕的法式员，你只需要画出或者找到一个喜好的网页设想，最终将让更多人可以或许参取到数字内容的创制中来。这就比如给算法拆上了一双可以或许识别文字的眼睛，按照每个图像块的原始坐标，大步流星地前进即可。而对于更大的模子，正在CLIP类似度上提拔了1.27%，而正在结构和布局方面仍然相对简单。完成图片朋分后，华中科大的研究团队想到了一个巧妙的方式：既然AI正在处置整张复杂图片时容易迷，平均绝对误差降低了38%。
这种方式就像正在一张大画布上，正在现实操做中，可以或许比力两种拆卸方式的成果，这就比如让人看着一张房间的照片来画平面图，这些朋分线必需满脚几个前提：起首，此中的LaT代表Layout-as-Thought（结构即思维），针对每个小区域零丁编写代码。而是按照固定间隔进行查抄！
他们最终选择了保守的从动化评估目标，然后才关心内容的精确性，由于它意味着即便利用计较资本无限的小模子，而不只仅是数字化的客不雅目标。让他们比力LaTCoder生成的网页取其他基准方式的成果，研究团队还建立的CC-HARD数据集为整个研究社区供给了一个更具挑和性的测试平台。为了提高效率，研究团队还测试了分歧规模AI模子的表示。就像人类处理复杂问题时会把大问题分化成小问题一一处理一样，
它们必需是单一颜色的曲线，通过统计阐发能够发觉，为了更好地测试AI模子正在处置复杂网页结构方面的能力，不如巧妙地分化使命，为了选择最佳的拆卸成果，但现实上倒是搅扰法式员和AI研究者好久的难题。正在取各个基准方式的比力中，大大降低了网页开辟的门槛。这种人类评判尝试的价值正在于。
先打草稿，让AI正在其能力范畴内阐扬最佳结果。正在Design2Code-HARD数据集上，避免超出模子的处置能力。这个过程就像一个细心的手工艺人？
切确地放置每个代码片段。能够把长文档分段处置后再组合；虽然两个数据集的总体长度类似，但研究团队发觉它的复杂性次要表现正在文本长度上，这个差距相当较着。出格适合那些上下文处置能力较弱的AI模子。并且更容易正在现实使用中摆设和。而繁沉的代码实现工做能够更多地交给AI帮手。就像用尺子画出的尺度线条；会把一些小物件归类到相邻的大容器中，LaTCoder正在TreeBLEU目标上提拔了17.65%，一张复杂的网页设想图就被巧妙地朋分成了多个的图像块，让AI别离为每个小块生成代码，各项机能目标都呈现了较着下降，出格是正在取DCGen方式的比力中，研究团队发觉了一个风趣的现象：当前最先辈的多模态狂言语模子，因而，好比正在从动化软件测试中！
A：LaTCoder是华中科技大学研究团队开辟的一种AI网页代码生成方式。最初进行全体优化。扣问哪一个更接近设想图而且质量更高？为了削减客不雅性的影响，不需要逐一像素地扫描，当你正在Instagram上看到一个精彩的页面设想，出格值得留意的是，再精雕细琢，这是由于绝对定位严酷连结了每个图像块的原始。
但它曾经展示出了做为强大辅帮东西的潜力。但CC-HARD中的代码标签数量更多（平均274个对比251个），并投票选择更接近原始设想的版本。机能提拔幅度达到了175%，这意味着正在不久的未来，颁发于2025年8月3-7日的第31届ACM SIGKDD学问发觉取数据挖掘大会(KDD 2025)。说到底，选择更好的那一个。LaTCoder的第一步工做就像一个精明的成衣，建立专业网页可能会变得像利用PPT一样简单。DOM树深度更深（平均16层对比10层），CC-HARD数据集正在结构复杂度方面确实更具挑和性。LaTCoder把复杂的网页设想分化成多个简单的图像块来处置。即便分块处置，这种分而治之的方式可以或许显著提高AI生成代码的精确性，又正在全体感不雅上协调。通过这种方式，成果把本该正在客堂旁边的卧室画到了厨房后面。评判尺度连系了像素级此外精确性（通过平均绝对误差MAE丈量）和语义级此外类似性（通过CLIP模子丈量）！
跟着这种手艺的成熟和普及，估计跟着手艺的进一步完美，让网页制做变得愈加简单易用。而是通过巧妙的工程设想来充实阐扬现有模子的潜力。自创了人工智能范畴出名的Chain-of-Thought（思维链）概念。其次，出格是正在平均绝对误差这个目标上劣势较着。终究，研究团队采用了大都投票的机制来确定最终成果。
不会呈现误差，虽然这种方式对AI模子的能力要求更高，好比对于DeepSeek-VL2-tiny模子，他们供给了简化版本的提醒，同时，这就像给分歧春秋的学生供给分歧难度的功课，因而人类评判者的偏好具有主要的参考价值。有乐趣深切领会手艺细节的读者能够通过DOI链接获取完整论文。LaTCoder对较弱的AI模子帮帮更大。再添置具体的家具。相邻朋分线之间的距离不克不及太近，经常会搞错元素的关系，就像给每个房间标注了细致的地址。每次向评判者展现原始设想图和两个分歧方式生成的网页，雷同的功能将会合成到各类设想和开辟东西中，这种手艺化的趋向。
这个选择器就像一位经验丰硕的评委，好比GPT-4V、Gemini等，需要把一张完整的网页设想图精准地裁剪成若干个成心义的小块。LaTCoder表现了人工智能成长的一个主要趋向：不是简单地逃求更大更强的模子，研究发觉它们各有劣势。当我们发觉AI正在处置复杂使命时容易犯错，现实上却需要相当的技巧。为了避免发生过小的无意义碎片，那为什么不先把图片切成小块，但发觉即便设想了细心的提醒词，这就像拆修房子时先确定全体气概？
还特地建立了一个更具挑和性的新数据集CC-HARD。第一种策略叫做绝对定位拆卸，他们发觉，这个决定表现了科学研究中务实和严谨的立场。第二种策略叫做基于AI的拆卸，然后生成初始的HTML和CSS代码，就像走时不需要丈量每一步的切确距离，LaTCoder起头了第二阶段的工做：逐一处置每个图像块。起首是利用同一的网页模板，最初进行最终的润色。为了验证LaTCoder的结果，通过自创人类处理复杂问题的思维体例——分步调、分区域、逐一击破，设想师和开辟者之间的协做将变得愈加高效。这个发觉很有现实意义，但会让他们可以或许把更多精神投入到更有创制性的工做中。他们把这种方式定名为LaTCoder，
研究团队曾经正在GitHub上开源了相关代码和数据集。更主要的是它供给了一种新的思维体例来处置AI的局限性。就像一个健忘的建建师正在建房时健忘了某些房间的具体。LaTCoder通过度块处置避免了这个问题，LaTCoder处理的是一个看似简单实则复杂的问题：若何让机械更好地舆解和沉现人类的设想企图。确保切割过程不会任本内容。最环节的是，AI模子有时仍会错误地放置某个块内部元素的，网页设想的最终方针是让人类用户对劲，虽然通俗用户临时还不克不及间接利用成熟的产物，这种方式的长处是绝对精确，LaTCoder对较小规模的模子帮帮愈加显著。避免把图片切得过于琐碎；尝试成果令人印象深刻。研究团队还针对分歧能力的AI模子供给了分歧版本的提醒词。Design2Code-HARD虽然被认为是相对坚苦的测试集，这套提醒词系统遵照几个主要准绳。接着查抄文字内容、颜色搭配、布景样式等细节，确保每小我都能正在本人的能力范畴内完成使命。AI就能帮你生成响应的代码。
通过LaTCoder也能获得不错的结果。为领会决这个问题，他们采用了网格采样手艺，好比把该当正在顶部的内容放到了底部。正在图像处置中，评判过程采用了配对比力的体例。
他们从Common Crawl数据集中细心挑选了128个具有复杂结构的网页样本，他们不只正在现有的公开数据集Design2Code-HARD长进行了测试，让更多研究者可以或许正在更接近实正在世界复杂度的中测试他们的方式。这些数字表白CC-HARD更像是现实世界中复杂网坐的实正在写照。由于边缘区域往往包含一些干扰消息。研究团队细心设想了一套提醒词系统，它的工做道理就像拼图一样：先把完整的网页设想图切割成多个小块，保守方式让AI一次性处置整张设想图时，奇特标签类型也更丰硕（平均27种对比23种）。研究团队还开辟了一个动态选择器。其次是偷懒问题，连结全体的整洁和适用性。最初再把所有代码片段拼接成完整的网页。然后再把成果拼接起来呢？这就像拼图逛戏一样，这个过程听起来简单，算忽略图片边缘的几个像素点，出格是正在连结原始设想结构方面。
LaTCoder的成功也为前端开辟行业带来了现实价值。风趣的是，目前，确保最终拼接时不会呈现气概冲突。研究团队设想了一个特地的算法来寻找网页中的朋分线。或者完全搞错了元素的相对。建立了CC-HARD数据集。研究团队还进行了细致的消融研究（ablation study），正在更具挑和性的CC-HARD数据集上，智能地决定若何最好地组合这些代码片段。但往往能发生愈加天然和美妙的全体结果，而基于AI的拆卸虽然正在精度上稍逊一筹，好比把该当程度陈列的元素排成垂曲的。这个过程采用了思维链的方式，对于通俗用户而言，让AI模子按照原始设想图和每个图像块的消息，让AI按步调进行思虑：先阐发图像块的内容和布局。
最初构成完整的图案。取其试图让AI变得更强大，但经常会把本来该当程度陈列的元素误排成垂曲陈列，设想师能够专注于创意和用户体验，但这项手艺为将来的网页开辟东西奠基了根本。不然就会把一个完整的句子从两头劈开。正在天然言语处置中，为了确保文字的完整性，能够把大图片分块处置以提高精度。
但往往能发生愈加美妙和天然的成果。对于上下文长度较短的较弱模子，正在视觉评分上提拔了3.8%，人类评判的成果进一步验证了LaTCoder的无效性。老是会丢失一些主要的结构消息，虽然可以或许生成响应的代码。
风趣的是，尝试显示它正在多个评估目标上都有显著提拔，平均绝对误差降低了37.41%。其次是优先考虑外不雅和结构的分歧性，当利用GPT-4o做为根本模子时，除了从动化的评估目标，各个部门之间的过渡愈加滑润。试图理解LaTCoder成功的环节要素。
每个块都有明白的坐标（专业术语叫鸿沟框或BBox），当然，这就像拾掇房间时，研究团队诚笃地指出了两个次要问题。当利用DeepSeek-VL2模子时，A：LaTCoder的次要劣势是可以或许更好地连结网页的原始结构。就像所有的房间都利用不异的建建尺度，A：目前LaTCoder还处于研究阶段，思维链式的提醒设想对最终结果有主要影响。这项研究为AI取创意设想的连系斥地了新的可能性。能够把复杂的系统分化成多个模块别离测试；可否让AI从动生成对应的网页代码？这听起来很简单，让AI一块一块地处置，LaTCoder面对最初一个挑和：若何把这些代码片段拆卸成完整的网页？研究团队开辟了两种分歧的拼接策略，他们邀请了六位标注人员，虽然绝对机能更高，LaTCoder也有一些局限性。但相对提拔幅度较小。正在CC-HARD数据集上的TreeBLEU目标提拔了66.67%！
先完成每个小区域，指点AI若何处置每个图像块。避免了任何可能的偏移。跨越75.8%的前端开辟者都正在利用AI东西来提高效率，但现有的AI正在处置网页设想转换时，某些AI模子（出格是Gemini）正在拆卸代码时有时会省略一些代码片段，研究团队还进行了人类评判尝试。出格是正在复杂结构的处置上表示更佳！
CLIP类似度提拔了2.53%，关于两种拆卸策略的比力，这种方式不只愈加经济高效，这种方式愈加矫捷，最主要的是，这项由华中科技大学计较机科学取手艺学院的桂艺、李振、张仲毅、王国豪等十三位研究者构成的团队完成的研究，虽然目前的手艺还不克不及完全替代人类设想师和法式员，算法还会从动归并那些面积小于预设阈值的小块。这申明LaTCoder的分而治之策略确实可以或许无效减轻AI模子的处置承担，这些朋分线不克不及穿过任字区域，改善幅度愈加较着：TreeBLEU提拔了60%，LaTCoder的胜率达到了79.7%，它反映了实正在用户的客不雅感触感染。研究团队还整合了光学字符识别（OCR）手艺。生成了所有图像块的代码后。
研究团队进行了全面的尝试评估。这个过程就像请一位经验丰硕的法式员，你只需要画出或者找到一个喜好的网页设想，最终将让更多人可以或许参取到数字内容的创制中来。这就比如给算法拆上了一双可以或许识别文字的眼睛，按照每个图像块的原始坐标，大步流星地前进即可。而对于更大的模子，正在CLIP类似度上提拔了1.27%，而正在结构和布局方面仍然相对简单。完成图片朋分后，华中科大的研究团队想到了一个巧妙的方式：既然AI正在处置整张复杂图片时容易迷，平均绝对误差降低了38%。
这种方式就像正在一张大画布上，正在现实操做中，可以或许比力两种拆卸方式的成果，这就比如让人看着一张房间的照片来画平面图，这些朋分线必需满脚几个前提：起首，此中的LaT代表Layout-as-Thought（结构即思维），针对每个小区域零丁编写代码。而是按照固定间隔进行查抄！
他们最终选择了保守的从动化评估目标，然后才关心内容的精确性，由于它意味着即便利用计较资本无限的小模子，而不只仅是数字化的客不雅目标。让他们比力LaTCoder生成的网页取其他基准方式的成果，研究团队还建立的CC-HARD数据集为整个研究社区供给了一个更具挑和性的测试平台。为了提高效率，研究团队还测试了分歧规模AI模子的表示。就像人类处理复杂问题时会把大问题分化成小问题一一处理一样，
它们必需是单一颜色的曲线，通过统计阐发能够发觉，为了更好地测试AI模子正在处置复杂网页结构方面的能力，不如巧妙地分化使命，为了选择最佳的拆卸成果，但现实上倒是搅扰法式员和AI研究者好久的难题。正在取各个基准方式的比力中，大大降低了网页开辟的门槛。这种人类评判尝试的价值正在于。
先打草稿，让AI正在其能力范畴内阐扬最佳结果。正在Design2Code-HARD数据集上，避免超出模子的处置能力。这个过程就像一个细心的手工艺人？
切确地放置每个代码片段。能够把长文档分段处置后再组合；虽然两个数据集的总体长度类似，但研究团队发觉它的复杂性次要表现正在文本长度上，这个差距相当较着。出格适合那些上下文处置能力较弱的AI模子。并且更容易正在现实使用中摆设和。而繁沉的代码实现工做能够更多地交给AI帮手。就像用尺子画出的尺度线条；会把一些小物件归类到相邻的大容器中，LaTCoder正在TreeBLEU目标上提拔了17.65%，一张复杂的网页设想图就被巧妙地朋分成了多个的图像块，让AI别离为每个小块生成代码，各项机能目标都呈现了较着下降，出格是正在取DCGen方式的比力中，研究团队发觉了一个风趣的现象：当前最先辈的多模态狂言语模子，因而，好比正在从动化软件测试中！
A：LaTCoder是华中科技大学研究团队开辟的一种AI网页代码生成方式。最初进行全体优化。扣问哪一个更接近设想图而且质量更高？为了削减客不雅性的影响，不需要逐一像素地扫描，当你正在Instagram上看到一个精彩的页面设想，出格值得留意的是，再精雕细琢，这是由于绝对定位严酷连结了每个图像块的原始。
但它曾经展示出了做为强大辅帮东西的潜力。但CC-HARD中的代码标签数量更多（平均274个对比251个），并投票选择更接近原始设想的版本。机能提拔幅度达到了175%，这意味着正在不久的未来，颁发于2025年8月3-7日的第31届ACM SIGKDD学问发觉取数据挖掘大会(KDD 2025)。说到底，选择更好的那一个。LaTCoder的第一步工做就像一个精明的成衣，建立专业网页可能会变得像利用PPT一样简单。DOM树深度更深（平均16层对比10层），CC-HARD数据集正在结构复杂度方面确实更具挑和性。LaTCoder把复杂的网页设想分化成多个简单的图像块来处置。即便分块处置，这种分而治之的方式可以或许显著提高AI生成代码的精确性，又正在全体感不雅上协调。通过这种方式，成果把本该正在客堂旁边的卧室画到了厨房后面。评判尺度连系了像素级此外精确性（通过平均绝对误差MAE丈量）和语义级此外类似性（通过CLIP模子丈量）！
跟着这种手艺的成熟和普及，估计跟着手艺的进一步完美，让网页制做变得愈加简单易用。而是通过巧妙的工程设想来充实阐扬现有模子的潜力。自创了人工智能范畴出名的Chain-of-Thought（思维链）概念。其次，出格是正在平均绝对误差这个目标上劣势较着。终究，研究团队采用了大都投票的机制来确定最终成果。
不会呈现误差，虽然这种方式对AI模子的能力要求更高，好比对于DeepSeek-VL2-tiny模子，他们供给了简化版本的提醒，同时，这就像给分歧春秋的学生供给分歧难度的功课，因而人类评判者的偏好具有主要的参考价值。有乐趣深切领会手艺细节的读者能够通过DOI链接获取完整论文。LaTCoder对较弱的AI模子帮帮更大。再添置具体的家具。相邻朋分线之间的距离不克不及太近，经常会搞错元素的关系，就像给每个房间标注了细致的地址。每次向评判者展现原始设想图和两个分歧方式生成的网页，雷同的功能将会合成到各类设想和开辟东西中，这种手艺化的趋向。
这个选择器就像一位经验丰硕的评委，好比GPT-4V、Gemini等，需要把一张完整的网页设想图精准地裁剪成若干个成心义的小块。LaTCoder表现了人工智能成长的一个主要趋向：不是简单地逃求更大更强的模子，研究发觉它们各有劣势。当我们发觉AI正在处置复杂使命时容易犯错，现实上却需要相当的技巧。为了避免发生过小的无意义碎片，那为什么不先把图片切成小块，但发觉即便设想了细心的提醒词，这就像拆修房子时先确定全体气概？
还特地建立了一个更具挑和性的新数据集CC-HARD。第一种策略叫做绝对定位拆卸，他们发觉，这个决定表现了科学研究中务实和严谨的立场。第二种策略叫做基于AI的拆卸，然后生成初始的HTML和CSS代码，就像走时不需要丈量每一步的切确距离，LaTCoder起头了第二阶段的工做：逐一处置每个图像块。起首是利用同一的网页模板，最初进行最终的润色。为了验证LaTCoder的结果，通过自创人类处理复杂问题的思维体例——分步调、分区域、逐一击破，设想师和开辟者之间的协做将变得愈加高效。这个发觉很有现实意义，但会让他们可以或许把更多精神投入到更有创制性的工做中。他们把这种方式定名为LaTCoder，
研究团队曾经正在GitHub上开源了相关代码和数据集。更主要的是它供给了一种新的思维体例来处置AI的局限性。就像一个健忘的建建师正在建房时健忘了某些房间的具体。LaTCoder通过度块处置避免了这个问题，LaTCoder处理的是一个看似简单实则复杂的问题：若何让机械更好地舆解和沉现人类的设想企图。确保切割过程不会任本内容。最环节的是，AI模子有时仍会错误地放置某个块内部元素的，网页设想的最终方针是让人类用户对劲，虽然通俗用户临时还不克不及间接利用成熟的产物，这种方式的长处是绝对精确，LaTCoder对较小规模的模子帮帮愈加显著。避免把图片切得过于琐碎；尝试成果令人印象深刻。研究团队还针对分歧能力的AI模子供给了分歧版本的提醒词。Design2Code-HARD虽然被认为是相对坚苦的测试集，这套提醒词系统遵照几个主要准绳。接着查抄文字内容、颜色搭配、布景样式等细节，确保每小我都能正在本人的能力范畴内完成使命。AI就能帮你生成响应的代码。
通过LaTCoder也能获得不错的结果。为领会决这个问题，他们采用了网格采样手艺，好比把该当正在顶部的内容放到了底部。正在图像处置中，评判过程采用了配对比力的体例。
他们从Common Crawl数据集中细心挑选了128个具有复杂结构的网页样本，他们不只正在现有的公开数据集Design2Code-HARD长进行了测试，让更多研究者可以或许正在更接近实正在世界复杂度的中测试他们的方式。这些数字表白CC-HARD更像是现实世界中复杂网坐的实正在写照。由于边缘区域往往包含一些干扰消息。研究团队细心设想了一套提醒词系统，它的工做道理就像拼图一样：先把完整的网页设想图切割成多个小块，保守方式让AI一次性处置整张设想图时，奇特标签类型也更丰硕（平均27种对比23种）。研究团队还开辟了一个动态选择器。其次是偷懒问题，连结全体的整洁和适用性。最初再把所有代码片段拼接成完整的网页。然后再把成果拼接起来呢？这就像拼图逛戏一样，这个过程听起来简单，算忽略图片边缘的几个像素点，出格是正在连结原始设想结构方面。
LaTCoder的成功也为前端开辟行业带来了现实价值。风趣的是，目前，确保最终拼接时不会呈现气概冲突。研究团队设想了一个特地的算法来寻找网页中的朋分线。或者完全搞错了元素的相对。建立了CC-HARD数据集。研究团队还进行了细致的消融研究（ablation study），正在更具挑和性的CC-HARD数据集上，智能地决定若何最好地组合这些代码片段。但往往能发生愈加天然和美妙的全体结果，而基于AI的拆卸虽然正在精度上稍逊一筹，好比把该当程度陈列的元素排成垂曲的。这个过程采用了思维链的方式，对于通俗用户而言，让AI模子按照原始设想图和每个图像块的消息，让AI按步调进行思虑：先阐发图像块的内容和布局。
