把一张会议室白板照片发给一个能读图的模型，问它“下周三前要补哪两件事”。它可能先复述：左上角写着排期，右下角画了流程，中间有箭头。听起来没错，但离可用答案还差一层：它得知道哪条箭头指向“待办”，哪处涂改意味着计划变更。
这就是多模态模型日常使用里最容易被忽略的缝隙。它能同时处理图像与文字，把“看见”转成“说出”，却不等于真正理解场景。描述画面是它的舒适区，回答依赖空间关系、时间顺序和隐含意图的问题，才是压力测试。
识别不等于读懂
一张图里，文字只是表层。白板上的位置、连线、圈注、颜色，甚至擦除后的残影，都在补充语义。模型如果只做文字识别，会把“周五前”和旁边的“负责人确认”拆成两段孤立信息；一旦要判断任务归属，它就需要把版面结构还原成关系。
这也是多模态模型在办公场景里常显得“知道很多，答得不准”的原因。它可能漏掉箭头方向，把并列写成因果；也可能把批注当成正文。用户看到的不是识别错误，而是理解链条断了一环。
语言能力会替图像补故事
语言模型擅长把零散线索串成通顺句子，这种能力放到多模态任务里，既是帮助也是风险。画面模糊时，它容易根据常识补全：看到表格就假设有表头，看到流程就假设箭头从左到右。补全让答案更顺，却可能偏离原图。
因此，实际使用时，提问方式很重要。与其问“这张图说明了什么”，不如把任务拆细：先让它列出可见文字，再标出位置；再问哪些元素由线条连接；最后让它给出待办清单，并注明依据。这样做的目的不是为难模型，而是让中间结果可核对。
- 先要观察，再要推理：让模型分开输出看到什么、推断什么。
- 把空间关系说清楚：要求它描述相对位置，而不是只复述文字。
- 保留不确定性：模糊处让它标注“看不清”，不要强行给结论。
边界在“任务”而不只在“模态”
多模态模型的能力边界，往往不取决于它能不能读图，而取决于任务是否允许它慢慢对齐。开放问答里，一句大致正确的描述就可能过关；业务场景里，一个箭头看反就会让后续动作走偏。前者容错高，后者要求证据链。
我的判断是，短期内它更适合做“辅助阅读者”：把图片里的信息拆开、转写、整理，供人确认；还不适合独立承担需要精确空间判断的决策。把多模态模型当成一个能看图的实习生，而不是一个不会犯错的接口，使用方式会务实很多。它读得见白板，但有没有读懂那场会，仍要人来校准。