把一张零件照片交给多模态模型，它多半能写出一段像模像样的说明：金属件、圆柱形、表面有轻微反光。可你接着问“图里有几颗螺丝”，答案就开始飘了：有时多数一颗，有时把垫片的边缘也算进去。
这种反差不是孤例。它指向一个更基础的问题：模型在处理图像时，究竟做了什么。
图像进来以后，先被切成块
大多数视觉语言模型的第一步，是把图片裁成一个个小方块，编码成向量，再和文本的词向量放进同一个表示空间里对齐。所谓“看懂”，在这个流程里更接近于“把这块区域和那批描述匹配起来”。匹配做得足够好，描述就会显得准确；但匹配本身不携带“这里有三个、那里有两个”的计数结构。
流畅会替不确定打掩护
语言部分的任务，是把零散信号组织成通顺的句子。通顺是优点，也是遮蔽：一句话读起来顺，读者就容易跳过“它其实没把握”这件事。人工复核时，模糊的措辞往往比明确的错误更危险。
哪些环节可以先交出去
这不意味着它没用，只是分工要清楚。
- 字符边界清楚的任务，比如票据、标签、表格里的文字提取，结果可以逐字核对，出错也能立刻发现。
- 把“识别”和“判断”拆开：让它输出结构化字段和大致位置，判断留给规则或人。
- 计数、遮挡、空间关系、细小色差这类问题，默认加一道校验，而不是直接采信。
边界在哪里
多模态模型的表达能力，来自训练时见过的大量图文配对。拍摄条件一旦偏离，比如强反光、逆光、镜头脏污、非常规视角，它仍会给出流畅的描述，只是描述的落点开始偏移。术语和专业标注也是类似的情况：通用语料里罕见的说法，模型倾向于用常见词去“翻译”，听起来合理，实际含义已经变了。
所以评估一个多模态模型能不能进产线或工作流，光看几张漂亮的示例图说明不了什么。更该问的是：在光线不对、角度别扭、样本稀少的那些图上，它会不会承认自己不确定。