你随手拍一张办公桌的照片传上去，问「桌上有什么」，回答来得又快又顺：显示器、键盘、一杯咖啡、几份文件。接着你追问一句，杯子在键盘左边还是右边？对面停顿了一下，给了一个答案；换个问法再问，答案变了。这种落差，用过的人大多碰到过。
这不是模型「不认真」，而是多模态模型处理图像的方式决定的。
图变成向量之后，说话的是语言那一侧
图像进入模型，通常先被切成小块，每块编码成一串数字，再被投射到语言模型能接受的位置上——可以理解成把画面翻译成一种它勉强能读的「外语」。所谓图文对齐，靠的是大量配对训练，让这些向量落在语言模型接得住的地方。
于是出现一个规律：凡是能用语言顺畅复述的东西，模型抓得比较稳，比如有哪些物体、大致什么场景、气氛如何；凡是很难用一句话说清、却要求精确的东西——左右上下、数量、细小的文字、物体之间的遮挡关系——就容易被模糊掉。语言这一侧太会说话了，它会自动把缺口填平。
流畅本身是一种风险
语言模型的输出习惯是「接着说」，它不太习惯停住。图里没有的信息，它可能用常识补上。补对了显得聪明，补错了就是常见的幻觉。麻烦在于，措辞的自信程度和答案的可靠程度之间，关系并不紧密：一句「图片右下角有一个红色按钮」和一句「画面里似乎有人」，语气可能一样笃定。
所以判断一次回答能不能用，看语气没什么意义，得看它说的是不是「可以从图里直接看到的东西」。
评测这件事，比文字任务难得多
文字题有标准答案可以比对；视觉描述往往没有唯一正确答案，同一张照片，三种说法都成立。这带来一个后果：容易被自动判分的题型会被反复测试，而真实使用中最容易出问题的地方——两个相似的杯子搞混、把玻璃反光当成物体、读错角落里的小字——不一定在覆盖范围内。公开的评测各有侧重，只看单一分数容易误判。
加了时间维度，问题换了一种形状
视频把任务从「这一帧里有什么」变成「什么时候发生了什么」。受限于采样，很多中间帧根本没有进入模型，动作的先后、因果、是否连贯，要靠推断补上。于是描述一段视频时，画面内容常常说得不错，一旦问「他先做了什么、后做了什么」，稳定性就明显下降。
实际用起来，几个习惯更管用
- 把回答当成第一遍草稿，不是结论。需要引用的事实，回到原图核对。
- 涉及数字、位置、文字时，主动要求它说明依据：你指的是画面哪个区域？说不清的地方，往往就是它没看清的地方。
- 同一张图换个问法再问一次。两次答案不一致的部分，就是风险区。
- 如果业务对精度要求高，别指望一次问答解决，把人放在最后一道关上更现实。
一个愿意说「看不清」的模型
多模态模型这几年进步明显，能做的事比几年前多得多。但它在图像上的能力分布并不均匀：越靠近语言、越靠近常识的部分越稳，越靠近精确感知的部分越松。用户真正需要建立的判断，不是它能不能看图，而是它在哪一类问题上会含糊。
一个肯承认看不清的模型，用起来心里更有底。而当界面和提问方式允许它表达不确定时，这份不确定才有机会被看见——这大概是使用者能主动做的一点点事。