售后客服收到一张工单：用户说“收到的配件少了一件”，附件是包装盒照片，备注栏里还有一张手填的清单表。文字、图像、表格挤在同一页里，信息并不完整，甚至有前后不一致的地方。这样的材料，人看久了会凭经验补全，模型则要面对另一个问题：它能不能把几种信息放在一起理解，而不是依次看完再猜。
多模态模型的吸引力就在这里。它不把图片当成装饰，也不把表格当成纯文本。图像里的物件、版式里的位置、文字中的指代，可能被放在同一个表示空间里处理。落到工单上，模型可以尝试把“少一件”与照片中空缺的卡槽对应起来，再把清单表里的数量与用户描述做核对。这个过程听起来接近人的阅读，但它依赖的是训练中形成的关联，而不是对真实业务规则的天然掌握。
不是“看见”就够了
麻烦往往不在识别，而在对齐。照片可能拍到了包装盒局部，清单表可能只写了简称，用户描述又带着口语省略。模型要把三者连起来，需要知道哪些信息属于同一层级，哪些只是背景。比如包装盒上的标签和表格里的条码，看起来都像编号，实际含义未必相同。模型可以给出一个看似通顺的解释，但通顺不等于正确。企业流程里更需要的，是它能否标出不确定处，而不是急着给出结论。
- 图像里的关键区域是否被完整拍到，决定模型有没有足够依据。
- 文字描述与表格字段是否指向同一对象，需要额外校验。
- 模型输出的解释能否回到原始材料，决定人工复核的成本。
因此，把多模态模型放进客服系统，不等于让模型独立判断。现实的做法，是让它做一层材料整理：提取图片中的关键物件，对齐表格字段，标出文字与附件冲突的位置，再把可复核的线索交给人工。它承担的是压缩信息、减少来回翻找的工作，而不是替代责任判断。这个定位听起来保守，却接近企业愿意接受的方式。
边界感来自业务，不来自演示
演示环境里的模型常常显得从容：一张清晰图片、一段完整描述、一个明确问题，输出自然流畅。真实工单里，材料残缺、格式混杂、用户表达跳跃，模型很容易把“可能”说成“确定”。要减少这种偏差，除了模型本身，还需要外围设计：字段约束、证据引用、冲突提示、人工抽检。它们不显眼，却决定了模型能不能进入日常流程。
另一个容易被忽略的点是评价方式。如果只看回答是否像人写的，模型很容易获得好感；如果看它能否稳定指出材料缺口，结论会不同。企业场景里，可追溯是底线，语言漂亮是表面。模型不必把每张工单都解释得圆满，它需要知道什么时候停下来，把问题交还给流程。这种“停住”的能力，往往决定它能否进入日常流程。
回到那张售后工单。模型可以帮忙把照片、文字和表格放到一张信息图上，让客服看到矛盾点；但它不应替客服认定责任，也不该在证据不足时编出一个顺滑故事。技术进入业务，常常不是从替代开始，而是从整理、提示和复核开始。看清这一点，讨论多模态模型时才不容易被演示效果带偏。