多模态常被当成一个能力，实际上它至少包含两件完全不同的事：看懂输入（理解），和产出图像、音频、视频（生成）。两者在产品里的用法差别很大。

一、理解侧更成熟：OCR、图表读数、截图问答、视频内容审核。这类能力对准确性要求高，但对“美感”没要求，评测相对客观，落地风险低，也容易算出节省了多少人工。

二、生成侧更依赖流程：生成一张可用的商品图，往往要经过提示词、构图、局部重绘、超分、人工挑选五步。单次生成的可用率并不高，必须设计“多出几版再挑”的流程，否则会把时间浪费在反复重试上。

三、成本结构不同：理解按输入像素或帧数计费，量级可控；生成按张、按秒计费，批量出图很容易超预算，尤其是需要多版候选的时候。

实践建议是：先用理解能力把现有流程里“读”的环节自动化（发票识别、截图比对、抽帧审核），这类项目投入产出最容易算清；生成能力则从“辅助人”开始，比如给设计师出草稿、给运营出配图候选，而不是直接对客输出。