「AI 会不会读图片」这个问题要先拆成两件事，否则怎么答都是错的。

第一件事是模型有没有看图的能力。主流模型普遍具备，把一张图直接发给它，它能描述内容、识别文字、读出表格。这件事是确定的。

第二件事是模型回答一个网页相关的问题时，走的是什么路径。这条路径上先有抓取，再有检索，再有组织答案。各平台公开的文档里，抓取与检索环节处理的是网页文本，没有任何平台说明过它会在检索阶段打开页面里的图片去识别内容。

两件事混起来，就会得出「模型能看图，所以图里的信息它能读到」这个错误结论。能看图是能力，会不会在这条路径上用，是另一回事。目前没有公开依据支持它会用。

实际判断：图片与视频里的信息，机器只能拿到文本那部分

这个结论听起来保守，但它带来的工作是明确的：把载体里的信息补出文本等价物。

补的位置有四个，优先级从高到低。

页面正文是第一位。图里有参数表，就在页面上再写一张表格；视频里讲了五个步骤，就在页面上把五步写出来。看起来重复，收益最直接。

图注是第二位。图注是可见文本，它和图的关联最强，而且读者也会看。

alt 文本是第三位。它是为屏幕阅读器设计的，机器可读，但权重不如可见正文。

结构化标记是第四位。它让机器确定地知道这是一张图或一段视频，以及它的标题、时长、缩略图。

alt 文本：到现在还有三分之一的图片没有

HTTP Archive 的统计显示，2024 年有 69% 的图片通过了 alt 文本审计，2022 年这个数字是 59%。两年提升了十个百分点，但仍有将近三分之一的图片没有可用的替代文本。

更能说明问题的是视频。声明 VideoObject 标记的页面只占 0.34%，和 FAQPage、Event 大致同一水平，属于极低覆盖。

69%2024 年通过 alt 文本审计的图片比例Web Almanac 2024
59%2022 年同一项审计的通过比例Web Almanac 2024
0.34%声明 VideoObject 标记的页面比例Web Almanac 2024

这组数字的另一面是机会。覆盖率这么低，意味着把这几项补齐的站点在同类内容里天然稀缺。

载体机器能拿到的文本要补什么常见缺口
产品图alt、图注、周边正文参数以表格重写一遍参数只存在于图里
信息图alt、图注结论与数据写成正文只有图，没有任何文字
流程图alt、图注步骤逐条写成列表alt 只写「流程图」
截图alt、图注说明截图里的关键字段文件名是随机串
视频标题、简介、文字稿整理过的文字稿只有一个播放器
音频标题、简介、文字稿文字稿与章节标题完全没有文本

alt 要怎么写才不算凑数

alt 的常见错误不是漏写，是写成分类名。一张标注了六个尺寸的产品结构图，alt 写「产品图」等于没写。

有用的写法是把图想传达的那句话写出来。如果这张图的作用是说明某个部件有六种规格，alt 就写明是哪六种规格的结构示意。长度不必刻意控制，但也不要把整段正文塞进去，alt 里堆关键词是过去 SEO 时代留下的坏习惯，现在只会让屏幕阅读器的用户体验变差。

纯装饰性的图片应当留空 alt，不要硬编一个描述。这类图没有信息，给它配文本反而增加噪音。

一个具体的改法：产品参数图

拿一个真实常见的情况。某个设备的详情页上有一张结构图，图里标了六个型号的功率、重量、接口规格，页面正文写的是「本系列产品规格齐全，可按需定制」。

这一页在搜索端还能靠标题和型号词撑住一点位置。在生成式回答里它基本没有机会：客户问的是某个功率区间该选哪个型号，答案需要的是具体数值，而这一页能提供的文本只有「规格齐全」。

改法分三步，都不需要重新设计那张图。

先把图里的参数原样写成一张页面上的表格，一行一个型号，列是功率、重量、接口。数值和单位照抄，不做任何修饰。

再给图补 alt，写明这是哪六个型号的结构示意，而不是「产品结构图」。

最后在表格下面加一到两句判断性的说明，比如哪种工况下建议选哪一档。这一句是整页里最可能被摘走的内容，因为它直接回答了客户的问题，而参数表只提供了依据。

三步做完，这一页从「有图无文」变成了「有依据有结论」。工作量通常是半小时，而它影响的是这一页能不能进入答案。

视频：文字稿比标记重要得多

两件事都做当然最好，但如果只能做一件，做文字稿。

原因很简单。VideoObject 标记告诉机器「这里有个视频，标题是什么」，它没有提供视频里的任何实质信息。文字稿提供的是可被摘走的内容。一个有完整文字稿但没有标记的页面，比一个有标记但只有播放器的页面更容易被引用。

文字稿不需要逐字照录。把口语整理成带小标题的段落，保留具体的数值、步骤、结论，去掉重复和语气填充，效果更好也更好读。

这几种做法是白费的

把整段正文做成图片发布。这会同时让搜索引擎和生成式回答都拿不到内容，而且屏幕阅读器用户完全无法访问。它唯一的作用是防止复制，代价远大于收益。

在 alt 里堆关键词。这是旧 SEO 时代的做法，对排名已经没有帮助，对生成式回答也没有，而且会被判为操纵。

给每张装饰图都配一段描述。噪音不会变成信号。

只做结构化标记不补文本。标记描述的是容器，不是内容，容器里空着没有意义。

什么情况下值得在图片视频上投入

不是所有品类都值得。判断依据是客户的问题里有多少是需要看图才能理解的。

机械设备、建材、3C 这类按规格选型的品类，参数图和结构图里往往藏着整页最有价值的信息，把它们文本化的收益最大。服务类品类里图多半是配图，补 alt 就够了，不必投入做信息图。

有一点要承认。研究发现各种优化手段的效果在不同领域差异明显，并不存在一套通用方法，图文这一块尤其如此。所以先看自己品类里客户问的是什么，再决定投入多少。

这几项在官网体检里属于可读性模块，逐项判定标准与常见修法见可抓取性词条；要一份带实测证据的逐项报告，走官网 AI 可读性体检。

参考来源