老孙带了 6 人小队给省级应急厅做灾情快报助手。客户口头说得很轻巧现场照片进来判断灾种、要不要建议封路、画面里有没有可见伤亡、有没有危化品标识。文字工单只是辅证图才是主证据。结果第一周就炸了。Qwen 把夜景路面积水当成流域性洪水封路建议写得比市长还急DeepSeek 眼力还可以却把车牌、人脸、工牌号写进结论Kimi 窗口一短只啃了文字描述图还没对齐就开始编灾种。群里改了三天提示词线上又漂回去。隔壁老同事路过甩下一句别再拿聊天记录当验收单把图文契约、模态对齐、脱敏红线和跨模型一致性写进 SPEC。多模态应用到底在管什么很多人把多模态理解成「模型能看图」。2026 年真正卡住交付的不是能不能看而是图和字各能说什么、互相打架时听谁的、敏感画面怎么处理。可以把它想成应急值班室照片是现场回传文字是值班员口述。图文契约规定照片允许支撑哪些结论、文字只允许补充哪些字段模态对齐规定图文冲突必须升级不许模型自行和稀泥脱敏红线规定人脸、车牌、工牌不得进入对外结论跨模型一致性规定换一个基座这套规矩还得成立。它和检索、结构化输出不是一回事。检索管从哪找材料结构化输出管交出去的单子算不算过关多模态应用管的是这张现场照片和这段口述到底许不允许合成同一条结论。四件套可以写得很短图文契约灾种、封路、可见伤亡、危化标识必须以图像证据为据文字只能补报时间、地点、上报单位。模态对齐图文冲突或图像模糊一律升级人工禁止用文字覆盖图像。脱敏红线人脸、车牌、工牌、证件不得写入结论不确定就升级。跨模型一致性同一批图文样本在不同基座上必须给出同一套通道和升级理由。为什么 2026 必须认真对待交付已经从「能聊两句」变成「能进值班系统」。一张图判断错灾种封路建议会直接顶到指挥屏。多基座视觉能力差一个数量级。有的模型看图准但嘴碎有的模型文字服从度高却会忽略图像。同一套口头规则在 Qwen、DeepSeek、Kimi 上服从度差很多。规则写在群公告里最容易漂。今天加一条「不要写车牌」明天又加「伤亡不确定就升级」版本只存在群聊里值班员对不上。私有化最吃这一套。应急现场照片出不了域本地脚本 Mock 对不齐真实图文对线上才暴露模态冲突。落地时最常见的三道坎环境不稳。本地用几张清晰示例图云端来的是夜景、逆光、压缩糊图脚本和人工感觉对不齐。模型不灵。一套提示词往往只在某一个基座会老老实实看图换一个就把文字描述当成了事实。规则易飘。枚举灾种、封路阈值、脱敏字段改在群里没有人能回答「现在线上到底以哪一版为准」。MonkeyCode 在这条链路上的位置我们把试点放到 MonkeyCode 上不是因为它能替你看图而是因为它把环境、模型和规则放到同一处。免安装云端环境浏览器打开就能跑图文样本不用每人本地配一堆视觉依赖。GLM、Kimi、MiniMax、Qwen、DeepSeek 多模型一键切换同一批现场图交叉验证谁在编灾种、谁在泄车牌当场能看出来。需求与 SPEC 管理把角色、红线、图文契约、重试和升级条件固化下来不再靠群公告。完全开源可私有化现场照片和工单不出域。三步把图文规则跑通第一步新建任务。主实验选 Qwen对照选 DeepSeek再加一条 Kimi 短窗口基线专门观察「图还没看完就开始编」的情况。第二步把规则写进 SPEC而不是写进群。角色省级应急厅灾情快报多模态助手。红线不编造灾种和伤亡不确定就升级人工人脸、车牌、工牌、证件号脱敏。图文契约disaster_type 必须以图像为据枚举 flood / landslide / fire / chemical / otherroad_closed 只能在图像出现阻断或官方封路标识时为 truevisible_casualty 只允许 visible / none / uncertainhazard_sign 看图中危化标识禁止用文字猜测。文字字段event_time、location、report_unit 可来自口述缺了标 uncertain不许补全。对齐图像模糊、图文冲突、多灾种并存一律 upgradetrue。校验解析失败或缺必填重试一次仍失败升级禁止在图像未分析完成前输出结论。输出灾种、是否建议封路、可见伤亡、危化标识、是否升级、原因。不对用户展示思维链。第三步同批 20 条口述加现场图对比。编造图中不存在的灾种从 6 条降到 0把积水写成洪水并建议封路从 5 条降到 0把车牌和人脸写进结论从 4 条降到 0。Kimi 短窗口截断、只看文字不看图的情况被回退拦住进了升级队列而不是直接进指挥屏。四点建议小任务试点。先用 20 条图文样本不要一上来接全部值班通道。规则写进 SPEC。图文各能证明什么、冲突听谁的、脱敏到哪一步写成可验收条款。多模型交叉验证。至少准备一个强视觉对照和一个短窗口基线别只在一个基座上自我感觉良好。敏感数据私有化。现场照片、人脸和车牌出不了域开源可私有化比把图传到公网试用更合适。多模态应用不是「模型能看图」的演示是把图和字的权力边界写清楚。2026 年能进系统的助手都得过这一关。