车间的灯有点暗，工程师蹲在设备旁，用手机拍下铭牌和一处渗漏，连同说明书一起发给对话框。几秒后，回答列出可能的密封件型号，还提醒检查扭矩。他照着做了，问题没解决——型号对，但那一批设备的接口改过。模型读懂了图，也读懂了字，只是不知道这台机器经历过什么。
它擅长的是把两种语言对上
多模态模型做的核心工作，是把像素和词映射到可以相互比较的表示空间。视觉编码器把图切成块，语言模型把这些块与文本对齐，于是它能回答“图里哪个是急停按钮”“说明书第几页提到这个报警码”。这类任务的价值在于缩短检索路径：过去要翻手册、问老师傅，现在几句话就能把线索聚到眼前。
但它看到的不是物，是像素的统计。拍照角度、反光、油污、遮挡，都会让同一部件在不同图里长得不一样。更麻烦的是尺度：照片里没有标尺，模型很难判断一道裂纹是几毫米还是几厘米。文本里可以写“约2mm”，图像里却没有这个单位。
缺的不只是触觉
现场信息是多维的，而图片和文字只占其中一部分：
- 时序——故障往往逐渐发生，单帧图看不出趋势；
- 力反馈——螺栓是松是紧，手感比外观更准；
- 声音与温度——异响和发热常是最早的信号，镜头捕捉不到。
把这些压缩成两维，等于让模型在一个被截断的世界里推理。它仍可能给出合理猜测，但猜测的依据并不完整。
还有一个容易被忽略的问题：语气的自信。模型在少见故障上也会给出结构完整、措辞肯定的建议，错误被语法包装得很好。对人来说，这比一句“我不知道”更难识别。
把它放在什么位置
我倾向于不把它放在“判断故障”这一环，而放在“查资料”和“做初步归因”之间。产品设计上，可以要求它输出几个可能方向，并列出还需要补充哪些信息——拍摄距离、环境温度、同批次设备是否都有此现象。让它把不确定性说出来，比让它给一个结论更有用。
从这个角度看，多模态模型更像一名读图很快、但没下过车间的助手。它能把散落在手册、图纸、工单里的信息拉到眼前，也能把工程师的口头描述转成可检索的词。可一旦涉及“这台设备此刻到底怎么了”，还得有人蹲下去，摸一摸，听一听。
所以问题不在于它能不能修好机器。更实际的是：我们是否愿意在流程里给它留一个位置，同时保留人的复核。这个位置划得越清楚，多模态模型就越不容易被误用，也越不容易被高估。