多模態和「能上傳圖片」是同一件事嗎？

表面看起來一樣，底層可能差很多。真正的多模態模型是把圖像和文字放進同一個表示空間一起處理；有些產品則是先用另一個模型把圖片轉成文字描述，再交給語言模型。後者能回答大概內容，但問到細節（版面位置、細微差異）就會失準。

圖片會消耗 token 嗎？

會。圖片會被轉換成一定數量的 token 計費，數量通常隨解析度增加。一張高解析度的圖可能相當於數百到上千個 token，所以大量處理圖片時，成本會比預期高不少。

模態就是資料的型態：文字是一種，圖像是一種，聲音、影片各是一種。

單模態模型只處理一種——純文字模型只讀得懂文字。多模態模型則能同時接收多種型態，並且在它們之間建立關聯。

關鍵在最後那句。真正的多模態不是「分別處理再拼起來」，而是把不同型態放進同一個表示空間，讓模型能理解「這段文字描述的正是圖裡的那個部分」。

細節仍會出錯。 讀圖表時，把數字看錯、把兩條線搞混都還會發生。重要數字要自己核對。

空間關係較弱。 「左上角那個按鈕」「第三欄第二列」這類需要精確定位的描述，準確率明顯低於一般內容辨識。

小字和低解析度。 圖片模糊或字太小，辨識品質會明顯下降。

成本較高。 圖片消耗的 token 遠多於等量文字，批次處理前先估算。