多模态模型如何理解更复杂的真实世界

多模态模型接受更多输入，并不代表它能准确理解输入之间的关系。识别图像与结合图文完成任务，需要分别检查。

区分识别与推断

读取设备照片时，先核对型号文字、部件位置和结论依据。如果图片中没有关键信息，应允许模型说明无法判断，避免把常识补全当成视觉识别。

用可核对的样本

准备清晰、模糊、遮挡和多对象样本，提前标出答案与证据位置，再比较错误类型。视频任务还应核对事件先后。文中问题是编辑建议的评估框架，不构成任何模型的性能排名。