上周三凌晨两点，我对着黑屏的电脑屏幕发了三分钟呆。
接的那个线下展的策划PPT，改到第三版，软件突然没征兆地崩了。系统自动恢复的文件，只剩个带空标题的封面页。手边的冰美式没拿稳，半杯泼在米白色的桌垫上，晕开一大片深棕色的印子，我都没心思擦。
那一瞬间的绝望，做过方案的人都懂——离第二天跟甲方碰稿只剩八个小时，重新写大纲至少要熬到天亮。我甚至已经点开了外卖软件，准备点份加双倍辣的烤串给自己打气，突然想起前阵子做产品的朋友塞给我的内测版多模态工具，说让我有空试试。
死马当活马医呗。
你以为它只是能聊天？其实它连你手机相册里的糊图都能读
之前接触的大模型，说穿了就是个只会读纯文本的聊天对象。你得把话捋顺了，组织成没有错别字的句子喂给它，它才能接得上。要是你甩给它一张拍糊的草稿照片，或者一段你走路时碎碎念的语音，它只会挠头说“我看不懂非文字内容哦”。
多模态大模型不是这套逻辑。它是把你能接触到的所有信息——照片上歪歪扭扭的字、语音里带着气音的停顿、视频里晃来晃去的镜头、甚至你上传的PDF上用荧光笔涂得乱七八糟的批注——全都转换成它能读懂的数字编码，拼到一块去理解，而不是把这些信息拆成互不相关的碎片。
我当时把手机里存的9张草稿照片导了进去——都是我前一天在咖啡馆想方案的时候，随手拍的笔记本页，字歪歪扭扭，有的地方还画了小箭头。又把当时对着草稿碎碎念录的17条语音也传了上去，总共加起来也就二十多分钟的素材。
等了大概四十秒，模型给我吐出来的东西，我盯着屏幕愣了好久。它把草稿上写的展商数量、互动区位置、预算区间都整理成了清晰的条目，连我在语音里随口吐槽的“那个合作的咖啡品牌别给我安排在入口，上次他们摆的试饮台把通道堵了半米”，都给我标在了对应的备注栏里。那一瞬间我甚至有点恍惚——之前我总觉得这些技术是科技展上隔着玻璃的展品，是新闻里吹得神乎其神的概念，没想到真能在我最狼狈的时候搭把手。
别吹得太神，它现在还没到能替你上班的程度
这大半年刷到太多吹多模态的内容了，好像只要接上这个技术，什么工作都能一秒做完，什么问题都能解决。说实话，我用了快两个月，最大的感受是：它错漏百出的程度，跟刚进公司的实习生真的没差。
就拿那天的事说，我本来想让它把我拍的场地实拍照片，转成可以编辑的平面布局图。结果它给出来的图，把安全通道画成了堆宣传物料的储物间，还在消防栓的位置，给我安排了个手冲咖啡的体验点位。我当时盯着那图，差点把刚倒的第二杯咖啡又洒在键盘上。
之前有个做法务的朋友跟我吐槽，他拿模型读带手写批注的合同，模型经常把“同意”三个字旁边画的个歪歪扭扭的小星星，理解成“条款有异议”。毕竟它再聪明，也摸不透人类那种“嘴上签了字，心里忍不住吐槽两句”的复杂情绪。
说白了，它现在的能力边界就在这：你给它零散的、没有整理过的材料，它能帮你快速搭个大概的架子，但细节上的窟窿，你要是不盯着，指不定给你捅出多大的娄子。前阵子我那做少儿编程的朋友跟我吐槽，说他拿模型给低龄小朋友做互动教具，让模型识别小朋友画的太阳，十次里有三次把橙黄色的圆形图案认成了煎蛋，逗得小朋友在屏幕前笑成一团。最后他干脆把这个bug改成了游戏环节——要是模型认成了煎蛋，小朋友就要上台讲个关于食物的小笑话，反而比原来的正经教具还受欢迎。
真正有意思的玩法，从来不是拿它写文案做PPT
我见过太多人用多模态，全是奔着“省时间”“提效率”去的：写个文案、做个PPT、整理个会议纪要，全是些跟上班相关的功利事。但我接触到的几个真正把它用出花的人，玩的全是跟工作没关系的内容。
有个拍独立纪录片的导演朋友，之前剪片子最头疼的环节，就是扒素材。几个小时的 raw 素材，他要戴着耳机逐帧看，把同期声转成文字，标记每个镜头里的内容，找特定的片段，往往要花整整一周的时间。现在他直接把素材硬盘连到多模态工具上，两个小时就能拿到完整的素材索引：哪个镜头里老师傅擦工具的手在抖，哪个片段里巷口的三花猫跳上了工作台，甚至哪个时间点窗外的雨下大了，都给你标得清清楚楚。他上次跟我说，现在光整理素材的时间就省了一半，能多蹲在老巷子里拍点真实的生活片段，不用天天坐在剪辑室里熬大夜。
还有个做视障公益的伙伴，现在在做的小工具，就是拿多模态模型当临时的“眼睛”。视障朋友拿着手机对着周围拍一张，模型几秒钟就能告诉他，前面是三阶台阶还是平整的路面，旁边的便利店招牌写的是什么，甚至对面走过来的人是不是他熟悉的、常来帮忙的志愿者。上次他给我演示的时候，我盯着手机屏幕上跳出来的识别结果，突然有点说不出话——之前我们总在讨论这些技术能催生多少新的商业模式，能赚多少钱，却很少有人想到，它能把那些之前横在人和世界之间的小障碍，悄悄给挪开一点。
那天我最后真的没熬通宵。
我把模型给的大纲改了改细节，三点半就关了电脑，煮了碗加了煎蛋的面，靠在沙发上追了半集攒了好久的综艺。
之前我总觉得，技术的进步就是要把所有人都卷得更快，要做更复杂的系统，要追更热的风口。那天我才反应过来，其实让人舒服的技术，从来不是逼着你跑的更快，而是在你快摔的时候，能伸手扶你一把，让你能慢下来，吃口热的。
作者|科技
排版|科技
审核|见微