会议室里，产品团队把一组用户反馈截图和现场照片投到屏幕上，想让多模态模型先做一轮归纳：哪些问题反复出现，哪些描述和图片对不上。输出很快，语句也顺，但细看会发现，它把两张相似场景混成了一件，又把文字里的抱怨当成图片中的证据。这样的结果不算离谱，却暴露了一个常见错位——我们容易把“能看懂图”当成“能核对事实”。
会描述，不等于会指认
多模态模型处理图像、文本甚至音频时，表面动作是转述和总结，真正难的是把一句话落到具体区域、具体对象、具体时间上。比如“包装破损”四个字，对应的是画面边缘的折痕，还是文字反馈里的主观判断？如果模型只给出流畅结论，却不指出依据来自哪段文字、哪块图像，使用者就很难判断它是在归纳，还是在猜。这背后是视觉指代对齐的问题：语言里的指代能否落到视觉证据上。对齐不稳，输出越顺，越容易让人放松警惕。
难点不在把模态拼在一起
外界谈多模态模型，常把注意力放在“同时支持几种输入”。但工程里更磨人的，是跨模态的一致性：同一件商品在两张图里角度不同，文字又用了不同称呼，模型能否认出它们指向同一对象；一段视频里先出现再消失的元素，模型会不会把前后帧的信息混用；当图像模糊、文本含糊时，它是否愿意承认不确定。这些问题不靠堆输入类型解决，而要靠训练目标、数据标注、推理约束和产品交互一起处理。换句话说，多模态能力不是把图像编码器和语言模型接上就结束了，接入之后怎样校验、怎样暴露置信边界，才决定它能不能进入真实流程。
放进流程前，先问证据在哪里
如果团队准备把这类能力用于内容审核、客服辅助、设备巡检记录整理等场景，不妨先做小范围试跑，并盯住几个朴素问题：
- 模型输出的结论，能否回到原文或原图的对应位置？
- 当文字和图像互相矛盾时，它是合并成一个平滑说法，还是明确标出冲突？
- 错误出现在识别、指代、归纳还是表达环节，人工复核能否只查关键处？
- 任务本身是否真的需要跨模态，单纯文本规则或人工抽检是否已经够用？
这些问题听起来不新，却直接关系到日常使用。多模态模型可以充当一双额外的眼睛，也可以是一个善于把话说圆的助手；两者的差别，往往不在参数规模，而在产品是否保留了证据链。让模型少说一点结论，多给一点出处，或许才是靠近可用状态的做法。