这两年国产多模态是真起来了，从最早只能跟着追，到现在图文、图生、理解这几块不少场景已经能打。我自己接项目，之前默认调国外的多模态接口，最近试着把一部分切到国产的，中文场景下对本土梗、招牌、票据这类东西的识别反而更准，价格还便宜一截。
多模态这仗关键不在单点跑分，而在数据和落地场景——谁离真实的中文数据和业务近，谁就能把长尾case喂出来。
当然也别吹太满，复杂推理和长上下文那块差距还在。整体方向是对的，能省成本我就用。
中文票据和招牌识别国产确实更准，亲测
价格便宜这点对小团队太香了
1 个赞
复杂推理还是差口气，别吹太满
确实
接口切过去了，中文场景基本无缝