10 张 AI 爆料截图测下来，我发现多模态模型最容易错的不是文字，而是“谁说的”

我原本以为，多模态模型处理 AI 新品爆料截图，最容易翻车的是 OCR：看错产品名、漏掉参数、读错英文缩写。

但测完 10 张图后，我发现真正危险的不是“看错字”，而是它经常一本正经地把截图时间当发布日期，把转述者当原始信源，把二手截图当官方消息。

这类错误很隐蔽。因为模型的回答看起来通常很完整：产品名有了，功能亮点有了，时间线也有了，甚至还能帮你整理成表格。问题是，里面最影响判断的那几个字段，恰恰最容易被它“脑补”成确定事实。

多模态模型不是不会看图，而是经常分不清：图里写了什么、谁在说、这句话从哪来。

这篇文章不是做模型跑分，也不是做 AI 新品盘点。我只围绕一个真实信息处理场景展开：当我们把 AI 新品爆料截图丢给多模态模型，让它做信息抽取时，到底哪些地方可靠，哪些地方必须人工复核。

为什么我选了 10 张 AI 新品爆料截图来测？

如果你关注 AI，应该很熟悉这个场景：

早上刷群聊，有人转了一张疑似新品截图；中午刷 X 或微博，又看到博主贴了一张“据说某模型要发布”的图；晚上公众号开始整理“今日 AI 大事”，里面又引用了几张截图。

很多人现在的习惯是：直接把这些截图丢给多模态模型，让它总结一下。

看起来这事很简单：

• 识别截图里的文字；
• 提取产品名称和功能亮点；
• 整理发布时间；
• 判断是不是官方消息；
• 最好还能生成一段适合发群或写周报的总结。

但真正做起来，它其实是一个混合任务：OCR、语义理解、平台 UI 识别、转述链分析、事实判断，全都挤在一张图里。

这次我准备了 10 张 AI 新品爆料相关截图，类型包括：

• 官方产品页 / 发布会预热视频截图；
• 社交平台爆料帖截图；
• 媒体报道页面截图；
• 聊天群二次转发截图；
• 多层引用 / 转发链截图；
• 产品页局部截图；
• 带水印的整理图；
• 被裁切过的短图；
• 中英文混排截图；
• 只截取标题和部分评论的截图。

这些图没有用来做“谁家模型更强”的排行榜，而是模拟一个普通 AI 用户每天都会遇到的场景：看到一张图，想快速判断这条消息值不值得信。

为了避免把同一批新闻素材拆成多篇变体稿，这篇文章只讨论这 10 张截图的信息抽取过程，不再另写“AI 新品盘点”“某产品发布新闻”“多模态 OCR 测评”。

我是怎么设计抽取任务的？

一开始我也试过直接问：

这张图讲了什么？帮我总结一下。

结果模型往往会给出一段很顺滑的总结，但最大的问题是：它会把不确定的东西写得很确定。

所以后面我把任务拆成字段，让模型按结构化方式输出，而不是自由发挥。

我重点观察了这些字段：

我使用的核心 Prompt 是下面这段，建议你可以直接保存：

请对这张截图做多模态信息抽取。不要直接总结，请按以下字段输出：

1. 截图中可见的原始文字：
2. 产品 / 公司 / 人名：
3. 时间信息：
- 可见时间：
- 这个时间可能代表什么：
- 是否能确定为发布日期：
4. 信息来源判断：
- 原始发布者：
- 转述者：
- 是否为官方消息：
- 判断依据：
5. 截图来源判断：
- 可能的平台：
- 判断依据：
- 不确定之处：
6. 事实与推测分离：
- 截图中明确出现的信息：
- 模型推测的信息：
- 需要外部验证的信息：
7. 请给出置信度，并说明最可能出错的字段。

这段 Prompt 的关键不是“让模型多写点”，而是强制它做三件事：

1. 先抄原文，再做理解；

2. 先区分层级，再判断来源；

3. 把确定、推测、无法判断分开。

AI 爆料截图的信息往往不是平铺的。关键线索可能藏在用户名、时间戳、引用框、转发按钮、平台 UI、截图裁切边缘里。

模型如果只读正文，很容易得出一个“看起来合理，但来源关系全错”的结论。

10 张截图样本：看起来像新闻，其实信息层级差很多

这次我没有把全部原图放出来，因为部分截图包含账号头像、群名和水印。但为了说明问题，我把其中几类典型样本做了脱敏描述。

样本 A：官方产品页 / 发布会截图

• 截图类型：官网产品页或发布会预热视频页面
• 是否有明确来源：较明确，能看到品牌标识和页面结构
• 是否有时间戳：不一定，有时只有“Coming soon”或倒计时
• 是否包含引用或转述：通常没有
• 是否容易被误判：中等

这类图最容易识别产品名和功能亮点。模型通常能看懂标题、按钮、产品 slogan。

但风险在于：如果页面上出现的是“预约”“预热视频”“等待名单”，模型有时会直接写成“已经发布”。这就是典型的状态误判。

样本 B：社交平台爆料截图

• 截图类型：X / 微博等平台上的爆料帖
• 是否有明确来源：部分明确，取决于是否截到用户名和平台 UI
• 是否有时间戳：通常有
• 是否包含引用或转述：经常有
• 是否容易被误判：高

这是最典型的 AI 爆料图。模型能读出帖子里的产品名、参数、功能词，但很容易把发帖时间当成产品发布时间。

例如截图里显示“6 月 12 日”，模型输出为“某公司于 6 月 12 日发布新模型”。但人工校正后更准确的说法应该是：

截图中 6 月 12 日更可能是帖子发布时间；原文没有证明这是产品正式发布日期。消息来自爆料账号转述，不是官方公告。

样本 C：媒体报道截图

• 截图类型：科技媒体文章标题页或正文局部
• 是否有明确来源：通常较明确
• 是否有时间戳：通常有报道时间
• 是否包含引用或转述：经常有
• 是否容易被误判：高

媒体截图的麻烦在于，文章里常常有“据某人透露”“有消息称”“公司发言人表示”等不同层级。

模型容易把媒体报道里的引用对象，当成官方确认；也容易把报道发布时间，当成产品发布时间。

如果你要写公司内部简报，这种错误会非常危险。因为“媒体报道某爆料”与“官方发布”完全不是一个可信度等级。

样本 D：聊天群或二次转发截图

• 截图类型：微信群、飞书群、Telegram、Discord 等聊天截图
• 是否有明确来源：通常不明确
• 是否有时间戳：可能有聊天时间
• 是否包含引用或转述：几乎一定有
• 是否容易被误判：很高

这类图是模型最容易“装懂”的。

群聊截图里经常是某个人转了一张图，再配一句“这个要来了？”或者“看起来很猛”。模型如果没有看到原始链接，就不应该判断为官方消息。

但实际输出里，它有时会把群成员的转述当成爆料源，把聊天时间当成新闻时间，把群里贴的二手图当成原始图。

样本 E：多层引用 / 转发链截图

• 截图类型：一个博主引用另一个账号，另一个账号又引用媒体或截图
• 是否有明确来源：表面明确，实际复杂
• 是否有时间戳：可能有多个
• 是否包含引用或转述：多层
• 是否容易被误判：极高

这类图最考验模型对“谁在说话”的理解。

如果截图里同时出现：

• 原始爆料人；
• 引用该爆料的博主；
• 媒体标题；
• 评论区补充；
• 平台推荐水印；

模型就很容易把所有信息压扁成一句：

某博主发布消息称，某公司将推出某产品。

但更准确的结构可能是：

某博主转发了另一位爆料人的说法；爆料人引用了媒体报道或未展示的外部来源；截图本身无法证明这是官方消息。

这两句话看起来只差一点，可信度却差了很多。

结果最意外的地方：内容没错，关系错了

先说公道话：多模态模型在显性内容上表现不错。

在这 10 张截图里，模型大多能识别出：

• 产品名称；
• 公司或团队名称；
• 关键词，比如“视频生成”“语音交互”“长上下文”“Agent”“API”等；
• 明显的价格、参数、日期数字；
• 标题和按钮文案。

换句话说，如果你只是想知道“图上大概写了什么”，它已经很好用。

但真正高频出错的是三类“元信息”。

第一类：发布日期误判

这是出现最多的问题。

在 10 张截图中，我记录到 6 次明显或疑似的发布时间误判，典型表现是：

这类错误最迷惑人，因为截图里确实有时间，模型也确实读对了数字。错的不是 OCR，而是时间的语义归属。

第二类：转述关系误判

在 10 张截图中，我记录到 5 次转述关系误判。

最常见的是：

• 把“某博主引用爆料人”理解成“某博主本人发布消息”；
• 把“媒体报道有人透露”写成“官方确认”；
• 把评论区补充内容混入主帖结论；
• 把转发者的判断当成原始内容。

来看一组典型对比：

该截图显示某公司确认将在近期推出新的 AI Agent 产品。

截图只显示某媒体报道了相关传闻，且引用了未在截图中完整展示的消息源。无法判断公司是否确认，也不能将其写成官方发布。

这个错误不是细节问题，而是可信度等级变化。

“官方确认”和“爆料账号转述”之间，隔着一条新闻判断的分水岭。

第三类：截图来源误判

在 10 张截图中，我记录到 4 次截图来源误判。

模型常常能读出画面上的文字，却不能稳定判断截图来自哪里。尤其是当：

• 顶部导航被裁掉；
• 平台 Logo 不完整；
• 图片被二次压缩；
• 加了公众号或社群水印；
• X、微博、Telegram、Discord 的 UI 元素只露出一部分；

模型就容易把社交平台截图说成官网截图，或者把聊天转发图说成新闻页面。

这也会直接影响可信度判断。

官网截图、媒体截图、社交爆料截图、群聊截图，在新闻处理中不是同一种材料。它们的证据强度完全不同。

一张错误类型表：模型翻车点很集中

为了方便观察，我把 10 张截图中的问题做了一个小统计。注意，这不是公开 benchmark，也不代表所有模型，只是这次样本中的案例记录。

这个结果很反直觉。

我们常常担心模型“看错字”，但在这个场景里，真正影响判断的不是产品名，而是：

• 这个时间到底是什么时间；
• 这句话到底是谁说的；
• 这张图到底来自哪里。

这三件事一错，后面的总结越流畅，误导性越强。

为什么这些错误比“识别错几个字”更危险？

如果模型把一个参数读错，比如把某个功能的限制条件漏掉，问题当然存在，但通常还能通过后续核对发现。

更危险的是元信息错误。

因为它会改变读者对整件事的判断。

比如：

• 把未确认功能当成已经上线；
• 把第三方猜测当成官方路线图；
• 把旧截图当成新消息；
• 把二手整理帖当成原始信源；
• 把爆料账号说法写进公众号、社群或公司内部报告，继续放大错误。

这里面最典型的误区是：模型的语气越确定，用户越容易放弃核验。

尤其当模型输出一张结构化表格时，看起来会比原始截图更“专业”。但表格只是表达形式，不代表事实更可靠。

多模态模型可以帮你整理信息，但不应该替你完成信源判断。

它更适合做初筛、归纳、提取、对比，而不是直接当“事实裁判”。

给普通 AI 用户的一套实用工作流

那是不是以后不能用多模态模型读截图了？

当然不是。

恰恰相反，我认为它非常值得用。只是用法要变一下：不要问“总结一下”，而要问“哪些是事实，哪些是转述，哪些需要验证”。

我建议你用下面这套流程。

第一步：先提取所有可见文字和 UI 线索

不要一上来让模型总结。

先让它把截图中的文字、按钮、用户名、时间戳、引用框、平台标识、水印都列出来。

这一步的目标是让模型先“抄作业”，不要急着“写作文”。

第二步：识别信息层级

要求模型区分：

• 原文；
• 引用内容；
• 转发者评论；
• 评论区内容；
• 媒体标题；
• 平台推荐或水印。

很多错误都出在模型把这些层级揉成一团。

第三步：单独抽取时间字段

时间一定要单独处理，并要求模型注明：

• 这个时间出现在截图哪个位置；
• 它可能代表什么；
• 是否能确定为产品发布日期；
• 如果不能确定，需要验证什么。

只要你多加这一条，发布日期误判会明显减少。

第四步：给消息性质做分类

把每条信息标成：

• 官方消息；
• 媒体报道；
• 爆料人说法；
• 转述内容；
• 网友猜测；
• 无法判断。

不要让模型只输出“可信 / 不可信”，这个二分法太粗糙。

第五步：人工核验原链接或关键词

最后一步必须人来做。

尤其是准备发公众号、写报告、做产品判断时，至少要核验：

• 官方网站或官方账号；
• 原始帖子链接；
• 媒体原文；
• 是否有后续澄清；
• 截图是否为旧图重发。

模型可以帮你把核验对象列出来，但不能代替你点击链接。

如果你想复现这个小实验，可以这样做

如果你也想测试自己的 AI 新闻流、群聊截图或产品爆料截图，可以把上面的 Prompt 接到多模态模型里跑一遍。

我这次更推荐用统一 API 调用方式，方便在不同模型之间对比同一张截图的抽取结果。想自己搭一个类似的小测试，可以从 api.884819.xyz 接入模型，批量上传截图、统一记录输出，再做人肉校正和对比。

推荐玩法很简单：

1. 准备 5-10 张你最近收藏的 AI 爆料截图；

2. 用同一套 Prompt 分别跑不同模型；

3. 只统计三个字段：发布日期、消息来源、转述关系；

4. 每张图人工校正一次；

5. 看看哪个模型最愿意承认“不确定”。

这比单纯看排行榜更能反映模型在真实信息处理中的表现。

8848AI 平台内置 AI 对话功能，注册后可以直接使用；注册流程是用户名 + 密码，不需要邮箱验证。国产模型如 Deepseek、千问等可免费使用；平台没有月租、没有订阅，按量付费，适合做这种轻量实验和多模型对比。

结语：别问“图里讲了什么”，先问“这是谁说的”

这次 10 张截图测下来，我最大的感受是：多模态模型已经很会读图，但还不够会读“上下文”。

它能看见文字，却未必理解截图背后的传播链；它能识别时间，却未必知道这个时间属于谁；它能读出标题，却未必分得清这是官方公告、媒体报道，还是博主转述。

所以以后再看到 AI 新品爆料截图，我不会先问：

这图讲了什么？

我会先问：

图里哪些是事实，哪些是转述，哪些只是模型猜的？

下一篇我准备继续拆一个更具体的问题：同样一张 AI 爆料截图，GPT、Claude、Gemini 和国产多模态模型，在“时间线还原”和“信源判断”上到底谁更稳？ 我会把同一批截图、同一套 Prompt 和人工校正表一起拿出来对比。

#AI教程 #多模态AI #信息抽取 #Prompt技巧 #AI新闻 #8848AI #人工智能 #模型评测