多模态大模型到底能干什么：实测GPT-4o和通义千问的图文能力
最近试了几个多模态大模型，说下感受。之前用纯文本模型，你只能跟它打字聊天。现在GPT-4o、通义千问这些多模态模型，你直接扔张图过去让它分析，或者丢个PDF让它总结，甚至语音对话都行。体验上确实上了一个台阶。
举个实际例子：上周我拍了张快递单的照片，直接扔给模型让它提取收件人信息和地址，几秒钟就识别完了，比OCR准。以前要专门搞OCR引擎，现在一句话搞定。
再比如看财报，几十页的PDF以前要手动翻，现在直接丢给模型问"今年营收增长多少""毛利率有没有下降"，它直接从图表里提取数据回答。
但也不是没问题。多模态模型目前最大的短板是视频理解——长视频它处理不了，短视频也容易漏关键信息。另外就是成本，多模态的token消耗是纯文本的好几倍，日常用如果走API，账单涨得挺快。
不过方向肯定是对的。未来模型不只能看能听，还能操作电脑、调用工具，最终变成一个全能助手。现在的多模态只是起步阶段。
https://www.metk.cn/img/posts/ai_multimodal.jpg 我这边的情况刚好相反，一开始不信，硬着头皮上了半年反而离不开了。 同意楼主，但落地的时候一定要考虑老系统的兼容，改造成本容易被低估。 帖子里那个数字挺关键的，不过不同规模的团队差异会很大，不能直接套。 这个判断我认同，短期看价格，长期还是看能不能嵌进业务流程里。 这个结论我保留意见，至少在我们行业不太成立，可能跟样本有关。 看得出来是真做过的人写的，不是那种拼资料的。 有个坑提醒一下，接口一变整套流程都得跟着改，最好提前做抽象层。 有个疑问，你说的这个方案在并发高的时候会不会有明显衰减？我这边测试过不太稳。 这篇看完最大的收获是那句"先算清楚自己的量"，很多人上来就冲设备，最后闲置。