多模态模型
正在改变什么？

01 / 从识别到理解

过去的视觉模型擅长判断“图里有什么”。新的多模态系统开始尝试理解空间关系、动作和意图，这让它们更接近一个可以参与现场工作的助手。

02 / 交互入口正在移动

当相机、麦克风和屏幕都成为模型的感知入口，用户不必每次都把现实世界翻译成文本。产品的关键问题也随之变成：什么时候应该主动观察，什么时候应该保持安静。

03 / 值得保留的谨慎

感知能力越强，误判的代价也可能越高。任何面向真实环境的应用，都需要明确的权限边界、可回溯记录和人工确认机制。