[BUG] <title>模型不能正确分辨出输入图像的顺序

[zhangye0402]

是否已有关于该错误的issue或讨论？ | Is there an existing issue / discussion for this?

• [X] 我已经搜索过已有的issues和讨论 | I have searched the existing issues / discussions

该问题是否在FAQ中有解答？ | Is there an existing answer for this in FAQ?

• [X] 我已经搜索过FAQ | I have searched FAQ

当前行为 | Current Behavior

我在运行脚本中输入了几张图像，我的'text':promt 无论使用”第一张图片“、”图片2“、”picture 3“都无法使模型get到我想让他看的那张图像，不知道使我的（操作/提示词）不对，还是说模型本身就没办法对图像的顺序做出区分。

期望行为 | Expected Behavior

在示例中，模型对重庆和北京的比较看起来使可以区分输入图像的顺序的，如果您知道我哪里出了问题或者您也发现chat模型存在同样的问题，希望能够不吝赐教！

复现方法 | Steps To Reproduce

No response

运行环境 | Environment

- OS:
- Python:
- Transformers:
- PyTorch:
- CUDA (`python -c 'import torch; print(torch.version.cuda)'`):

备注 | Anything else?

No response