图片理解：最成熟也最实用#

图片理解已经成为我使用频率最高的多模态功能。遇到网页错位、软件报错、服务器面板配置时，直接上传截图通常比花几分钟描述界面更有效。

不同模型的侧重点有所不同：

• GPT 系列通常能较好地把截图理解和后续操作建议连接起来。
• Gemini 系列处理图片、文档和搜索信息的组合任务比较自然。
• Claude 系列擅长从复杂界面或图表中整理出结构化说明。

不过，模型仍可能看错小字、按钮状态和图表刻度。涉及金额、域名、端口或删除操作时，我一定会再核对原图。

语音交互：体验提升大于能力提升#

实时语音让 AI 更像一个随时可用的助手，但它带来的主要变化是交互速度，而不是推理能力突然增强。

语音很适合头脑风暴、语言练习和走路时记录想法。可一旦任务包含命令、代码和精确参数，文字依然更可靠。语音识别只要错一个字符，就可能把正确建议变成错误操作。

因此，我更喜欢“用语音产生草稿，再用文字确认执行”的方式。

长文档：上下文越长，越需要结构#

Gemini 等模型推动了超长上下文的发展，一次读取多份 PDF、会议记录或视频字幕已经不再困难。但模型能读完，不代表它能自动理解资料之间的优先级。

当我让模型分析长文档时，会先要求它列出：

1. 文档的来源和时间。
2. 不同版本之间的冲突。
3. 哪些结论有原文依据。
4. 哪些内容只是模型的推断。

这个步骤比直接问“帮我总结”可靠得多。总结容易隐藏差异，而结构化对比更容易发现问题。

视频理解：潜力很大，成本也很高#

视频包含画面、声音、字幕和时间顺序，理论上是最完整的信息来源。它适合分析教程、会议录像和产品演示，但也最容易受到采样频率影响。

模型可能理解了主要剧情，却错过一闪而过的错误提示；也可能根据字幕做出判断，而没有真正识别画面变化。对视频内容进行定位时，时间戳和可追溯引用比一段流畅总结更重要。

我的看法#

在多模态竞争里，我不会只比较“支持多少种输入”。更值得关注的是三个问题：

• 模型能否把不同输入对应到同一个问题上。
• 输出能否指回原始证据，而不是只给结论。
• 从理解到执行之间，是否保留人工确认的位置。

目前最实用的多模态功能仍然是截图排错、文档对比和语音记录。那些看起来像科幻电影的实时演示很吸引人，但可靠地解决一个日常问题，往往比展示十种输入方式更有价值。