有人给我演示过一段流程：手机拍下一张压皱、微微倾斜的纸质清单，扔给系统，几秒后屏幕上出现排好的字段。他说，这东西能用了。我问，如果第四行的数量认错了，谁会发现？他停了两秒，说，人工再看一遍。
这个停顿挺说明问题。演示关心的是“能不能做出来”，业务关心的是“做错的时候怎么办”。多模态模型近来的存在感，大多来自前一件事。
把图和字放进同一个空间，改变了什么
过去处理一张带表格的照片，常规做法是拆成几段：先检测，再识别，再抽取，最后拼装。每一段都有自己的失败方式，误差会逐级放大。多模态模型换了个思路，把图像和文本映射到同一套表示里，让“这张图里有什么”和“这句话什么意思”在模型内部发生关联，一步给出结果。
省掉了大量规则拼接，代价是中间过程变得不透明。原来你能指着某一步说“这里框错了”，现在往往只看到最终输出。
错误的样子变了，排查的方法没跟上
纯文本模型答错，通常还能顺着上下文找到那句话。它错的时候，可能是没看清，可能是把背景当成了主体，可能是某个字的一笔被反光吃掉，也可能是前几步都对、最后组织语言时跑偏。同一个错误表现，背后是完全不同的原因。
这就带出一个实际问题：修的时候改哪儿？调提示词、换分辨率、加前处理、补样本，每种手段对应不同原因。没有中间信号，只能靠试。团队的经验在这里仍然是关键，模型的通用能力替代不了它。
评测最难的部分，是收集“不好看”的样本
公开的评测集往往干净、端正、光照均匀。真实场景不是这样：手抖、逆光、纸张折角、拍屏幕产生的干涉条纹。这类样本做起来不体面，也不适合放进展示材料，但它们决定了系统能不能在周五下午被一线员工继续用下去。
所以判断一个多模态模型是否合用，看它在漂亮样本上的表现意义有限，更有价值的是问一句：这批难看的样本从哪儿来，谁在维护。
落地时要算的三笔账
- 延迟。每张图都要完整走一遍推理，交互场景里用户等的不是平均值，是最慢的那一次。
- 成本。调用量与费用大体同向增长，先用后付的模式容易在上量后失控，预算按峰值算而不是按试点算。
- 可回退。结果要能被人快速核对和推翻，界面上留不留这个出口，决定了出错时的代价。
这三笔账跟模型本身的能力关系不大，却常常决定项目能不能继续。选型时被忽略的部分，往往在半年后变成主要矛盾。
更像一个能看东西的实习生
我的判断是，比较合适的期待是把它当成一个反应快、知识面广、但没有责任意识的助手。它可以先把粗活干一遍，把结构化的工作做完大半，剩下的交给流程和人兜底。指望它一步到位、免检通过，多半会在某个不起眼的边角翻车。
反过来说，那些愿意把难看的样本攒起来、把核对环节设计进去的团队，往往能用同样的东西做出更稳的结果。差别不在模型，在怎么用它。