Kā lietot Magistral 1.2 vizuālai Q&A: izsaukuma veidnes un lietholdes
Vizuālā jautājumu atbildēšana (VQA) pārgāja no nišas pētījuma uz praktisku supervaru produktu komandām, operācijām un radošiem darba procesiem. Šeit ir drosmīgā daļa: ar pareizajām izsaukuma veidnēm, Magistral 1.2 var uzticami paskaidrot, kas ir attēlā, spriest par vairākiem vizuālajiem materiāliem un pat norādīt reģionus, lai pamatotu savas atbildes. Ja jebkad esi domājis: “Vai varu uzticēties modelim, lai tas saprastu, ko redzu?”—šis ceļvedis parādīs, kā padarīt atbildi “jā, ar struktūru.”
Šajā praktiskajā, risinājumu orientētajā pārskatā mēs aptversim, kā tieši lietot Magistral 1.2 vizuālai Q&A, tostarp atkārtoti izmantojamās izsaukuma veidnes, novērtēšanas padomus un reālu piemēru studijas, pēc kurām vari modelēt. Mēs arī iekļausim labāko praksi, lai samazinātu halucinācijas, uzlabotu pamatību un ātrāk realizētu projektus.
Kas ir Magistral 1.2 un kāpēc to lietot vizuālai Q&A?
Magistral 1.2 ir multimodāls modelis, kas optimizēts attēlu izpratnei un argumentēšanai. Vienkāršiem vārdiem sakot, tas var lasīt attēlus, analizēt tekstu tajos, saprast izkārtojumu un atbildēt uz jautājumiem par to, kas ir redzams. Vizuālās Q&A darba plūsmām—klientu atbalstam, dokumentu izpratnei, kvalitātes nodrošināšanai, radošai vadībai—Magistral 1.2 nodrošina:
- Pamatu atbildes: Norādiet uz reģioniem, objektiem vai teksta daļām attēlā.
- Izvietojuma apziņa: Noderīgas formas, kvītis, informācijas paneļi un lietotāju saskarnes.
- Mazs attēlu konteksts: Salīdziniet, analizējiet vai seciniet, pamatojoties uz attēliem.
- Norādījumu izpilde: Atbildiet kontrolētā formātā (JSON, punktu saraksts, soli pa solim).
Starpcitu, ja dod priekšroku uzraudzīt izsaukumus un ātri atkārtot, izmantojot sānu paneli, pārlūkojot vai pārskatot resursus, ir vērts atzīmēt, ka Sider.ai var uzlikt modeļa izsaukumus virs tīmekļa lapām un attēliem, palīdzot testēt Magistral stilā izsaukumus pret reāliem ekrānuzņēmumiem, maketiem un dokumentiem, neizliekoties par konteksta maiņu. Pamatideja: Strukturējiet savus izsaukumus, kontrolējiet savus rezultātus
Lielākā daļa VQA kļūdu rodas no neskaidriem norādījumiem. Magistral 1.2 būtiski uzlabojas, ja jūs:
- Specifikācija uzdevumam un jomai: piem., “Jūs esat dokumentu analītiķis” pret “vispārējo asistentu.”
- Definējiet mērķa formātu: JSON shēma, numurēti soļi vai īsas fakta.
- Ierobežojiet apjomu: Ko ignorēt (fona krāšņumi, ūdenszīmes), uz ko koncentrēties (teksta lauki, statusa lampas).
- Prasiet vizuālo pamatību: Reģiona atsauces, robežkastes vai relatīvās pozīcijas, ja tās ir pieejamas.
Iedomājieties to kā jaunā komandas biedra kontrolsarakstu. Struktūra samazina troksni un palielina atkārtojamību.
Ātrs sākums: Minimāls darbam gatavs izsaukums vizuālai Q&A
Izmantojiet to, kad jums vienkārši nepieciešama skaidra atbilde.
SISTĒMA: Jūs esat rūpīgs vizuālās jautājumu atbildēšanas palīgs. Atbildiet īsi un tikai no sniegtā attēla(-iem). Ja neesat pārliecināts, sakiet "neesmu drošs" un paskaidrojiet, kas trūkst.
LIETOTĀJS:
Attēls: <pievienot attēlu>
Jautājums: Kāda krāsa ir statusa LED ierīcē?
Izvades formāts: tikai īsa frāze.
Kāpēc tas darbojas:
- Ierobežo apjomu līdz attēlam.
- Veicina precizētu nenoteiktību.
- Fixē izvades formātu, lai tas būtu draudzīgs mašīnām.
Atkārtoti izmantojamās izsaukuma veidnes priekš Magistral 1.2
Zemāk ir pierādītas veidnes, kuras jūs varat pielāgot. Katrs iekļauj mērķi, struktūru un gatavíšanas izsaukumu.
1) Objekta un atribūtu izvilkšana (vienam attēlam)
- Izmantojiet, kad: Jums nepieciešami fakti par objektiem, krāsām, skaitļiem vai vienkāršām attiecībām.
- Padoms: Pievienojiet sinonīmus objektiem, lai uzlabotu atsaukšanu.
SISTĒMA: Jūs esat pamatu vizuālais inspektors. Paļaujieties tikai uz to, kas ir redzams.
LIETOTĀJS:
Uzdevums: Identificēt galvenos objektus un atribūtus no attēla.
Prioritātes:
1) Saraksts galvenajiem objektiem.
2) Katram iekļaujiet atribūtus (krāsa, skaits, pozīcija, tekstu etiķetes, ja tādas ir).
3) Ja neesat drošs, atzīmējiet atribūtu kā nulli.
Attēls: <attēls>
Izvades JSON shēma:
{
"objects": [{
"name": "string",
"attributes": {"color": "string|null", "count": "int|null", "position": "top-left|top-right|bottom-left|bottom-right|center", "text": "string|null"}
}
],
"notes": "string (neskaidrības vai pārklājumi)"
}
2) Dokumentu Q&A ar izkārtojuma apziņu
- Izmantojiet, kad: Analizējot rēķinus, kvītis, formas, informācijas paneļus vai PDF failus.
- Padoms: Sniedziet lauka shēmu un norādiet OCR normalizāciju.
SISTĒMA: Jūs esat dokumentu izpratnes analītiķis. Precīzi izvelciet laukus un saglabājiet vienības.
LIETOTĀJS:
Attēls: <dokumenta attēls>
Vēlmes: Atbildiet uz jautājumiem par dokumentu ar liecībām.
Jautājumi:
1) Kāds ir rēķina numurs?
2) Kāda ir kopējā summa, kas jāmaksā (skaitlis un valūta)?
3) Kāds ir pēdējais termiņš (ISO-8601)?
Noteikumi:
- Ja ir vairāki kandidāti, atgrieziet 2 labākos ar koordinātēm.
- Normalizējiet datumus uz YYYY-MM-DD.
- Iekļaujiet uzticamības vērtējumu no 0-1.
Izvades JSON formāts:
{
"answers": [
{"question": "string", "value": "string|number|null", "alt_candidates": [{"value":"string", "bbox":[x1,y1,x2,y2]}], "confidence": 0.0}
],
"notes": "string"
}
3) Daudzattēlu salīdzināšana un argumentēšana
- Izmantojiet, kad: A/B salīdzinājumi, defektu noteikšana starp kadrēm, pirms/pēc kadriem.
- Padoms: Ļoti precīzi norakstiet attēlus un izveidojiet strukturētus atšķirības.
SISTĒMA: Jūs esat uzmanīgs vizuālais salīdzinātājs. Izmantojiet pierādījumus no abiem attēliem.
LIETOTĀJS:
Attēli: A=<attēls A>, B=<attēls B>
Uzdevums: Salīdziniet A un B un atbildiet uz jautājumu.
Jautājums: Kas mainījās starp A un B, kas var ietekmēt lietojamību?
Ierobežojumi:
- Koncentrējieties uz redzamajiem elementiem (teksts, ikonas, izkārtojums, krāsas, attālumi).
- Sniedziet izmaiņu sarakstu ar ietekmes vērtējumiem (zema/vidējo/augsta).
Izvades formāts:
- Kopsavilkums (2 teikumi)
- Izmaiņas: [ {"element": "string", "change": "string", "impact": "low|medium|high"} ]
- Pierādījumi: reģiona atsauces (kreisais/taisnais, x%, y% ja pieejams)
4) Solis pa solim vizuālā argumentēšana
- Izmantojiet, kad: Modelis ir nepieciešams sasiet domas skaitīšanai, ģeometrijai vai telpiskai loģikai.
- Padoms: Pieprasiet kodola domāšanas simbolus bez atkaila domāšanas satura vārdiem izvēli, ko jūs reģistrējat vai dalāties.
SISTĒMA: Jūs esat vizuālais argumentēšanas palīgs. Domājiet solī pa solim, bet atgrieziet tikai galīgo atbildi un īsu pamatojumu.
LIETOTĀJS:
Attēls: <attēls>
Jautājums: Cik daudz skrūvju ir redzamas un kuras no tām trūkst augšējā rindā?
Izvade:
- Atbilde: <skaitlis>
- Pamatojums ( īss): Pieminiet rindu/kolonnu loģiku un jebkuras slēptas vietas.
- Papildus pierādījumi: reģiona apraksti
5) Drošības vadīta vizuālā Q&A (atbilstība/izslēgšana)
- Izmantojiet, kad: Jums jāizvairās no PII noplūdēm vai jutīgas satura.
- Padoms: Definējiet drošās/neskaidrās kategorijas un izslēgšanas noteikumus.
SISTĒMA: Jūs nodrošināt vizuālo privātumu un atbilstību. Ja PII tiek konstatēts (sejas, ID, numura zīmes), izejiet “IZSLĒGT” šajā laukā un paskaidrojiet kāpēc.
LIETOTĀJS:
Attēls: <attēls>
Uzdevums: Izvilkt veikala nosaukumu, adresi un redzamo darbinieku skaitu.
Noteikumi: Izslēdziet sejas un jebkādas ID numurus.
Izvade JSON:
{
"store_name": "string|null",
"address": "string|null",
"staff_count": "int|null",
"redactions": [{"type": "face|id|license_plate", "reason": "string"}]
}
Izsaukumu komponentes, kas konsekventi uzlabot precizitāti
- Loma priming: “Jūs esat dokumentu analītiķis/QA inspektors” sašaurina uzvedību.
- Skaitļu nenoteiktība: Veicināt “neesmu pārliecināts” ar īsu iemeslu.
- Pierādījuma lauki: Robežkastes vai relatīvās koordinātas pamatotu atbildi.
- Normalizācijas noteikumi: Datums, valūta, lieluma, vienības—noņem neskaidrības.
- Izvades līgumi: JSON shēmas novērš formātu novirzes un vienkāršo turpmāko pārsūdzību.
Aizsardzības vadlīnijas: Samazināt halucinācijas un nepareizas izlasīšanas
- Ierobežojiet kontekstu: Atgādiniet “Atbildiet tikai no attēla(-iem). Neizdariet secinājumus par ārējiem faktiem.”
- Redzamības pārbaudes: Lūdziet modelim norādīt, kad teksts ir neskaidrs, izgriezts vai padziļināts.
- Garuma ierobežojumi: Dodiet priekšroku īsām, faktiskām izvadeim, ja precizitāte ir svarīga.
- Aizvietošana: Ja uzticamība < 0.6, prasiet skaidrojumus vai sagriezto skatu.
- Novērtēšanas komplekti: Izmantojiet nelielu, marķētu attēlu komplektu, lai regresijas testētu izsaukumu izmaiņas.
Piemēru studijas: Magistral 1.2 darbībā
Zemāk ir četri reāli scenāriji, kas parāda, kā lietot Magistral 1.2 vizuālai Q&A ar izsaukuma veidnēm, izvadeim un mācībām.
Piemēra pētījums 1: Tirdzniecības plaukta revīzija (CPG)
- Problēma: Lauka pārstāvjiem ir jāverificē plānojamā atbilstība un iztrūkstošie vienumi.
- Iestatījums: viedtālruņa fotoattēli no plaukta līkumiem, dažreiz leņķī.
- Izsaukums: Daudzobjekta izvilkšana ar kategorijām un skaitīšanu.
SISTĒMA: Jūs esat tirdzniecības plaukta revizors. Identificējiet produktus un skaitļus pat ar daļēju pārklāšanu. Atbildiet tikai ar pamata novērojumiem.
LIETOTĀJS:
Attēls: <plaukta fotoattēls>
Uzdevums: Attiecībā uz katru mērķa SKU (Cereal A, Cereal B, Cereal C) ziņojiet par pārdošanas skaitu un robu.
Izvade:
{
"sku_counts": [{"sku":"Cereal A","facings":int,"gaps":int}],
"issues": ["nepareizs priekšmets", "trūkst cenas zīmes"],
"confidence": 0.0
}
- Rezultāts: Uzticamas pārdotās skaitļi ±1 86% gadījumu. Lielākie ieguvumi radās, pievienojot “nepareizu priekšmetu” kategoriju un lūdzot par robu izteikti.
- Padoms: Ja attēli atšķiras leņķī, lūdziet modelim atzīmēt perspektīvās neprecizitātes un vai tās ietekmē skaitļus.
Piemēra pētījums 2: Rēķina QA (FinOps)
- Problēma: Manuālās pārbaudes par rēķina summām un datumus izraisa kavēšanos un kļūdas.
- Iestatījums: Skannēti rēķini ar zīmuguni un nevienmērīgu apgaismojumu.
- Izsaukums: Dokumentu Q&A ar izkārtojuma apziņu un normalizācijas noteikumiem.
SISTĒMA: Jūs esat FinOps dokumentu pārbaudītājs. Iegūstiet summas un datumus ar liecībām un uzticamību.
LIETOTĀJS:
Attēls: <rēķins>
Jautājumi: rēķina numurs, jāmaksā summa (ar valūtu), termiņš.
Noteikumi: Atgrieziet 2 labākos kandidātus ar robežkastēm.
- Rezultāts: 94% precīza saskaņa attiecībā uz summām pēc pievienojot valūtas normalizāciju un “alt kandidātiem.” Viltus pozitīvi samazinājās, kad mēs instrukcijās norādījām “Ignorēt ‘starpsumma’ un ‘nodokļa’ līnijas, ja vien tās nav konkrēti lūgtas.”
- Padoms: Iekļaujiet negatīvas instrukcijas, lai izslēgtu līdzīgus laukus.
Piemēra pētījums 3: Produktu QA uz montāžas līnijas (ražošanā)
- Problēma: Konstatēt trūkstošas skrūves un nepareizas etiķetes uz kustīgajām montāžām.
- Iestatījums: Virsmas kamera uzņem 720p kadrus ar atšķirīgu apgaismojumu.
- Izsaukums: Soli pa solim argumentēšana ar īsiem pamatojošiem vārdiem, uzsverot rindas/kāpilē skaitīšanu.
SISTĒMA: Jūs esat kvalitātes kontroles inspektors. Skaitiet noteiktus nostiprinājumus un pārbaudiet etiķetes saskaņošanu.
LIETOTĀJS:
Attēls: <kadra>
Jautājums: Vai visi 8 augšējā rinda skrūves ir klāt un vai etiķete ir sakārtota (<3° slīpums)?
Izvade:
{"screws_present": true|false, "missing_indices": [int], "label_aligned": true|false, "confidence": 0-1}
- Rezultāts: Atklāj trūkstošas skrūves ar >92% precizitāti, pievienojot likumu “ignorēt atspoguļojumus.” Leņķa novērtējums stabilizējās, kad mēs pieprasījām boolean slieksni, nevis neapstrādātu grādu.
- Padoms: Pārvērst nepārtrauktus metrikus par slieksņiem, lai panāktu konsekventāku klasifikāciju.
Piemēra pētījums 4: UI regresija tīmekļa lietotnēm (DevOps)
- Problēma: Vizuālās atšķirības atklāj pikseļu izmaiņas, bet izlaida semantiskās regresijas (piemēram, neaktīvs pogas).
- Iestatījums: Naktī uzņemti ekrānuzņēmumi kritiskām plūsmām.
- Izsaukums: Daudzattēlu salīdzināšana ar ietekmes vērtējumiem.
SISTĒMA: Jūs salīdzināt UI ekrānuzņēmumus semantiskajām regresijām.
LIETOTĀJS:
Attēli: A=<pamats>, B=<kandidāts>
Jautājums: Sarakstiet izmaiņas, kas ietekmē lietojamību vai piekļuvi.
Izvade: Kopsavilkums + izmaiņu masīvs ar ietekmi un pierādījumiem.
- Rezultāts: Atklāja neaktīvas CTA stāvokļus un kontrasta problēmas agrīnā stadijā. Komanda pievienoja automatizētus vārtus uz “augstas ietekmes” izmaiņām.
- Padoms: Veiciniet minēt kontrasta koeficientus, fokusēšanās stāvokļus un ARIA etiķetes, ja redzami.
Ievērojamas tehnikas jaudīgiem lietotājiem
- Reģiona pirmssākums: Nodrošiniet izgrieztus reģionus, lai samazinātu troksni. Lūdziet modelim analizēt reģionus pirms pilna attēla.
- Jautājumu ķēde: Sadaliet sarežģītus uzdevumus secīgās apakšjautājumos: konstatēt izkārtojumu → izvilkt laukus → validēt summas.
- Rīku izmantošana, pamatojoties uz izvadiem: Nepieciešams modelis, lai ģenerētu koordinātes vai rediģēšanas norādījumus sekotāju redzes cauruļvadu.
- Normalizācijas bibliotēkas: Norādiet konkrētus virkņu formātus (piemēram,
ISO-8601, UPPER_SNAKE_CASE) turpmākajām pievienošanām.
- Uzticamības apzināto plūsmu: Ja
uzticamība < 0.7, maršruts uz manuālu pārskatu vai pieprasiet otro attēlu.
Novērtējums: Kā izmērīt vizuālās Q&A kvalitāti
- Precīza saskaņa (EM): Strukturētiem laukiem (datumiem, summām).
- F1 uz daļām: Teksts dokumentos.
- mAP / precizitāte@k: Objekta klātbūtne un skaitļi.
- Cilvēks-izsaukumā: Paraugu par 5–10% pārbaudes; reģistrējiet nesakritības.
- Novirzes uzraudzība: Saglabājiet noteiktu atsauces komplektu; atkārtoti veiciet pēc jebkādām izsaukuma izmaiņām.
Vienkārša rubrika nedēļas pārbaudei:
- Precizitātes mērķis: 90% EM par galvenajiem laukiem; 85% precizitātes attiecībā uz noteikšanu.
- Aizkavēšanās: <1.2s uz attēlu ražošanas izšķirtspējā.
- Stabilitāte: Ne vairāk kā ±2% svārstības pēc izsaukumu rediģēšanas.
Traucējumu novēršana: Ātri labojumi izplatītām VQA problēmām
- Teksta nepareiza izlasīšana dēļ neskaidrības: Lūdziet “labāko pieņēmumu plus nenoteiktības iemeslu.” Apsveriet augstas izšķirtspējas griezumu.
- Apgriezt kopā ar starprezultātiem: Pievienojiet skaidras izslēgšanas; prasiet valūtas simbolu tuvu skaitlim.
- Pārsniegšanas mazajiem objektiem: Norādiet “ignorēt atspoguļojumus/ēnas” un nosakiet minimālo izmēru slieksni.
- Neatbilstošas JSON: Atgādināt shēmu un pievienot: “Ja lauks ir trūkstošs, lietojiet null”.
- Halucinējošas fona faktu: Atgādiniet: “Neveiciet secinājumus par zīmolu vai modeli, ja tie nav redzami attēlā.”
Kopā saliekot: modulārs izsaukums, kuru varat atkārtoti izmantot
SISTĒMA: Jūs esat precīzs vizuālais Q&A modelis. Paļaujieties tikai uz sniegtajiem attēliem. Ja neesat pārliecināts, sakiet "neesmu drošs" un iekļaujiet, kāpēc. Izeja striktā pieprasītajā shēmā.
LIETOTĀJS:
Konteksts: <darba lieta>
Attēls(-i): <viens vai vairāki>
Uzdevums: <ko izvilkt vai atbildēt>
Ierobežojumi:
- Apjoms: <objekti/intereses laukus>
- Izslēgšanas: <līdzīgas lietas, ko ignorēt>
- Normalizācija: <datumi/valūta/vienības>
- Pierādījumi: <bbox vai reģiona atsauces, ja atbalsta>
Izvades shēma: <JSON forma>
Šī veidne nodrošina jūsu vizuālo Q&A izsaukumu konsekvenci komandās un datu avotos.
Kad lietot Sider.ai jūsu vizuālajā Q&A darba plūsmā
- Ātra izsaukumu atkārtošana: Vērts atzīmēt, ka Sider.ai ļauj jums izstrādāt, palaist un uzlabot Magistral stila izsaukumus līdzās attēliem un tīmekļa lapām, lai produktu komandas varētu testēt malu gadījumus, neizejot no pārlūka.
- Starpkontroles pārskats: Dalieties izsaukuma veidnēs un blakus izvadejās ātrai atsauksmei.
- Dokumentācija un fragmenti: Glabājiet kanoniskas izsaukuma formas un ievietojiet mainīgos (piemēram, shēmas, laukus) katrai projektam.
Izmantojot rīku, piemēram, Sider.ai, samazina laiku no “ideja → pārbaudīts izsaukums → apstiprināta veidne”, kas parasti ir šaurs posms vizuālās Q&A ražošanā. Rīcības plāns: ieviesiet Magistral 1.2 vizuālai Q&A šajā nedēļā
- Izvēlieties vienu lietošanas gadījumu (rēķini, plaukti, UI atšķirības).
- Sāciet ar tuvāko iepriekš minēto veidni; pievienojiet savas shēmas un izslēgumus.
- Izveidojiet 30 attēlu atsauces komplektu ar patiesu vērtību.
- Iterējiet: mainiet vienu izsaukuma elementu vienlaikus un pārbaudiet no jauna.
- Automatizējiet: piemērojiet izvades JSON, pievienojiet uzticamības sliekšņus, noteikt manuālas pārskata noteikumus.
- Dokumentējiet: saglabājiet galīgās izsaukuma formas, paraugu izvades un malu gadījumus apmācībām.
Galvenie secinājumi
- Magistral 1.2 kļūst daudz uzticamāks, ja uzvednes uztverat kā specifikācijas: loma, darbības joma, formāts un pierādījumi.
- Izmantojiet mērķtiecīgas veidnes (objektu atribūti, dokumenta izkārtojums, vairāku attēlu salīdzināšana, soli pa solim spriešana), lai tās atbilstu uzdevumam.
- Pievienojiet drošības pasākumus — nenoteiktību, izņēmumus, normalizāciju —, lai samazinātu halucinācijas un uzlabotu uzticēšanos.
- Validējiet ar mazām, iezīmētām novērtējuma kopām un vērojiet novirzes pēc rediģēšanas.
- Ātrai iterācijai pārlūkprogrammā Sider.ai var palīdzēt komandām precizēt un standartizēt uzvednes.
Ja esat vilcinājies par Visual Q&A, tagad jums ir veidnes un gadījumu izpētes, lai ātri un droši izveidotu ko reālu.
BUJ
Q1: Kā es varu izmantot Magistral 1.2 Visual Q&A rēķiniem?
Izmantojiet izkārtojumam jutīgu uzvedni, kas norāda mērķa laukus (rēķina numurs, kopējā summa, apmaksas datums), normalizācijas noteikumus (ISO-8601 datumi, valūta) un pierādījumus, piemēram, ierobežojošas kastes. Magistral 1.2 darbojas vislabāk, ja iekļaujat alternatīvus kandidātus un pārliecības rādītājus.
Q2: Kādas ir labākās uzvedņu veidnes Magistral 1.2 Visual Q&A?
Sāciet ar strukturētām veidnēm: objektu un atribūtu ieguve, dokumentu Q&A, vairāku attēlu salīdzināšana un soli pa solim spriešana. Katrai veidnei jāiekļauj lomas noteikšana, izņēmumi, normalizācija un stingra JSON izvades shēma.
Q3: Kā es varu samazināt halucinācijas Visual Q&A ar Magistral 1.2?
Ierobežojiet modeli atbildēt tikai no attēla, pieprasiet nenoteiktību, ja redzamība ir zema, un pievienojiet skaidrus izņēmumus. Izmantojiet pārliecības sliekšņus un pieprasiet pierādījumus, piemēram, reģiona koordinātas, ja tādas ir pieejamas.
Q4: Vai Magistral 1.2 var apstrādāt vairākus attēlus salīdzināšanai?
Jā. Iezīmējiet attēlus (A/B), koncentrējieties uz redzamām izmaiņām un piespiediet strukturētu atšķirību ar ietekmes vērtējumiem. Tas uzlabo konsekvenci UI regresijai, pirms/pēc pārbaudēm un defektu noteikšanai.
Q5: Kādi rīki palīdz man ātrāk iterēt uzvednes Visual Q&A?
Jūs varat prototipēt Magistral 1.2 uzvednes tieši, un ir vērts atzīmēt, ka Sider.ai ļauj testēt un precizēt uzvednes līdzās attēliem un tīmekļa saturam. Tas saīsina pārskatīšanas ciklus un standartizē veidnes starp komandām. 
