把一张项目排期表截图拖进对话框，问“这列日期为什么后移”，已经不算稀奇。多模态模型能同时处理文字和图像，看起来像跨过了“只能读文字”的门槛。但真正值得追问的，不是它能不能描述截图，而是它有没有把图里的关系变成可推理的对象。
“看见”与“读懂”之间
图像进入模型后，往往先被切成视觉片段，再与文本指令对齐。模型可以指出表格里有几列、标题写了什么，甚至复述某一行内容。这更像一种高密度的模式匹配：它学过大量图文对应关系，知道表格通常长什么样，却不天然理解“总计”与“分项”的约束，也不一定分得清单位变化带来的语义转折。
所以，多模态模型在表格、表单、流程图面前常出现一种错位：描述得挺顺，追问一步就露怯。问题不在表达，而在它是否建立了稳定的指代关系——说的“第三行”是不是同一行，引用的“环比”是不是同一列。
表格为什么容易暴露边界
纯文本问答里，上下文顺序本身就是线索。图像则不同，空间位置、字号、合并单元格、颜色标记都参与含义，却不一定被显式写成语言。模型若只把截图当作“带文字的图片”，就容易把视觉布局和语义结构混在一起。对一张简单表格，它可能答得利落；换成多层表头、脚注和跨页续表，错误会从“看错数字”变成“误解关系”。
这不是说多模态模型不能碰表格，而是任务设计要承认边界。让它做初步摘录、字段定位、异常提示，和让它独立完成核对式判断，是两件事。中间差着可核验的中间步骤：先定位区域，再确认行列关系，最后才组织答案。缺少这些步骤，流畅的回复反而会增加核对成本。
把提问变得可验证
实际使用中，一个有用的习惯是把“你看到了什么”拆成可检查的小问题。比如先问单元格坐标，再问相邻行列的含义，最后让它用自己的话复述约束条件。对图像中的关键数字，要求指出对应位置；对推断性结论，要求区分“图中明示”和“模型推测”。这些做法不神秘，却能逼出模型到底在哪一步开始含糊。
- 先确认对象：问的是哪一块区域、哪一行、哪一列。
- 再确认关系：表头与数据如何对应，单位是否变化。
- 最后确认结论：哪些来自图面，哪些是补充推断。
多模态模型的价值，也许不在于替人一眼看穿复杂图表，而在于把图文混合的信息整理成可继续追问的中间形态。它像一个反应很快的助手，能把散落的信息摆到桌面上，但桌面上的东西是否对得上，仍需要人保留最后一道检查。承认这一点，使用时反而更踏实：不把它当万能眼睛，而是当一个需要明确指令、也值得被反复核对的协作对象。