一张拍歪的工单照片，边角压着油污，设备编号只露出半截。把这样的图片交给多模态模型，它可能读出文字，也能猜出部件位置，甚至把“异响”与画面里的磨损痕迹放在一起解释。看上去，它已经越过了“只认字”或“只识图”的分界线。
问题也在这里。现场要的不是一段流畅描述，而是能进入流程的字段：设备编号、异常位置、处理建议、需要谁复核。多模态模型可以把图像和文字放在同一语境里，却未必知道哪个字段该填、哪个结论不能越过权限。它给出的“像”，与业务要求的“准”，中间隔着一条需要人来定义的线。
难的不是“看见”，而是把看见的变成可执行信息
企业现场的材料往往不整齐：照片可能反光，语音里夹着方言，手写记录缺了主语。模型能把这些线索拼在一起，给出一个看起来合理的解释，但合理不等于可执行。若输出只停留在自然语言，接收的人还要再拆一遍；若强行要求它填满固定字段，又可能把不确定的信息写得过于肯定。
先把边界说清楚，再谈能力
接入这类能力时，容易先问“能不能识别”，却少问“识别到哪一步必须停下来”。一段现场视频、一张手写记录、一段语音备注，都可以成为多模态模型的输入，但输入越丰富，越需要提前约定哪些内容允许推断，哪些只能提示人工确认。
- 输入侧：图片、文字、音频是否都有明确的采集规范，模糊信息如何标记。
- 输出侧：返回自然语言说明，还是固定字段加置信提示，能否追溯来源。
- 流程侧：结果由谁复核、回写到哪个系统、出现分歧时如何留痕。
别把“会解释”当成“会负责”
这也是我对多模态模型落地的一个判断：它擅长把分散的线索组织成可读的解释，却不天然承担业务责任。让它直接给出最终结论，反而容易把风险藏进流畅的表达里。更稳妥的做法，是把它放在辅助判断的位置，输出带依据的候选信息，再由熟悉现场的人确认。
所以，回到那张工单：模型可以帮忙读出编号、圈出可疑位置、把语音备注转成摘要，但最后仍要有人确认“这次是否真的需要停机”。问人不是能力不够，而是把不确定的部分放回可负责的环节。这类模型真正的价值，也许不是替人看完所有材料，而是让人更快看到该看的那几处。