多模态模型落地提速，图文理解成为标配能力

过去需要专门模型处理的图片理解、表格抽取、文档解析，现在越来越多地由同一个多模态模型完成。

工程上的变化同样明显：输入侧的预处理链条被大幅简化，过去需要 OCR 加规则解析的流程，现在可以一次性交给模型。

落地场景集中在三类：票据与合同的信息抽取、商品图片的自动描述、以及客服场景中的截图问答。

挑战依然存在——长文档的细节召回、表格结构的准确还原，仍是评估中失分最多的环节。