一张装配图纸扫描件，边缘有点歪，右下角还留着上一版的手写涂改。有人把这样的图丢给多模态模型，问：这个孔位旁边的手写数字，是公差还是序号？模型的回答通常很顺，格式工整，语气肯定。可如果你把同一张图递给一位老师傅，他多半会先皱眉，说一句“这儿看不清，得找原图”。
这个反差值得琢磨。不是模型不努力，而是它“看”的方式和人不一样。
它看到的不是图纸，是一堆切片
多模态模型处理图像时，通常先把整张图切成许多小块，每块编码成一串数字，再和文本向量放进同一个语义空间里对齐。这个做法擅长把握整体：这是一张工程图，图上有标题栏，有剖面线，大致属于机械领域。这些判断它做得很快。
但“孔位旁边那个手写数字是几”属于另一类问题。它要求逐像素地确认笔画走向，要求区分铅笔划痕和真正的数字，还要求知道这张图上公差的书写惯例。切片编码在这一步会丢掉大量局部信息，模型于是用一个“看起来合理”的答案把空缺补上。它给出的不是读数，是猜测，只是猜测被包装得很像读数。
所以那种“犹豫”其实没有发生。人犹豫，是因为人知道自己没看清；模型不犹豫，是因为它没有“没看清”这个状态。
补救办法，都带着妥协的味道
工程上常见的几条路，说白了都是在承认单靠一次前向推理不够用：
- 提高输入分辨率，把图切得更细，代价是算力上升、长图容易丢上下文；
- 外挂 OCR 或检测模块，先把文字区域框出来单独识别，再由模型组织语言；
- 让模型调用工具，比如放大某一区域、重新裁剪后再看一遍。
这些做法有效，但它们把“看图”这件事拆成了“看、查、算”三步。一旦拆开，多模态模型在链条里的角色就变了：它更像一个调度者和表述者，而不是那双眼睛。理解这一点，对怎么用它很关键。
一条粗略的分界线
我倾向于用输出能否被外部验证来划线。让它描述场景、归类图类型、把图表趋势讲成一段话、从界面截图里指出哪个按钮可能对应某个功能，这些输出即使不精确，也能被人快速核对，错了成本可控。让它报出一个具体数值、一个型号、一处尺寸，就要谨慎，因为这类答案很难从它的措辞里看出可靠性。
换句话说，多模态模型擅长把“模糊的整体”讲清楚，不擅长把“精确的局部”读准确。前者是语义问题，后者是测量问题。混淆这两者，是很多落地场景踩坑的来源。
我也不认为这是永久缺陷。模型在变，工具调用在变，输入方式也在变。但在当下，把它当成一个能看懂大概、需要你复核细节的助手，比把它当成一双不会看错的眼睛要稳妥。
真正被省下的是什么
回到那张图纸。如果流程设计成“模型先过一遍，标出它认为需要人工确认的区域”，老师傅打开图时就不必从头扫到尾，注意力可以直接落在被标记的地方。这个价值不在于替代判断，而在于把重复的初筛挪走。
多模态模型进入实际工作流，大概都会经历这么一段：先被期待过高，再被质疑过低，最后落在一个不起眼但稳定的位置上。它的作用不是替你看，而是让你少看一些不必看的，把眼睛留给那些真正需要停下来犹豫的地方。