解密GEO：图片和视频也能被AI引用吗

AI 已经能读图片、看视频了。但“能读”和“读得到、读得懂”是两件事。大量站点的图片和视频，在多模态模型眼里仍然是一片空白。

一、图片：先解决“读得到文字”

图片被引用的第一个前提是：模型能从图里提取出可用的信息。这有两种路径——OCR 识别图上的文字，或者读图片的替代文本和周边描述。

所以最有效的两件事是：图上有关键信息就用清晰的文字写出来，别做成艺术字；每张图都给替代文本，写清这张图在表达什么，而不是“配图1”。

第二件事常被忽略，但它其实是给图片补了一段机器可读的说明。

二、图片要有上下文

一张孤立的数据图，模型不知道它说的是什么行业、什么口径、什么时间。但如果图片上方有一段文字说明“以下是 2026 年 Q3 的数据，样本来自 120 家中小企业”，这张图就变成了可引用的证据。

图和文的距离越近，被一起理解的概率越高。把图甩在文末当装饰，是最浪费的做法。

三、视频：文字稿比视频本身重要

对检索类模型来说，视频几乎只能通过文字被理解——标题、简介、字幕、逐字稿。

所以三个动作：上传时给准确的标题和描述，不要用“第 12 期”这种无信息标题；配字幕文件，这是最可靠的文字来源；在页面里放一段结构化的内容摘要，列出视频讲了哪几个要点。

只上传一个视频文件、标题写“最新分享”，等于没做。

四、别为了多模态而多模态

很多内容用纯文字表达更高效。一段方法论，写成 800 字比拍成 8 分钟视频更容易被引用。

多模态的价值在于处理文字难以表达的东西：界面截图、流程图、数据可视化、操作演示。这些场景投入产出比高，其他场景优先文字。

五、检查清单

图片：有没有替代文本、图上文字是否清晰、有没有就近的文字说明、文件名是否可读。

视频：有没有字幕、页面有没有要点摘要、标题是否描述内容而非编号、有没有对应的文字版。

结语

多模态是 GEO 里正在打开的一块，但它的基础仍然是文字。模型理解图片和视频，靠的还是从里面抽出的文字信息。把文字这层做扎实，多模态才有意义。