从零开始的AI(0)-纯文本模型和多模态模型

你平时可能会使用手机版DeepSeek、豆包等AI进行对话，你发一段文字，它回一段文字，很顺畅。后续你会学会使用Agent帮你干活，你接入了一个大模型进去，比如DeepSeek-V3，想让它给你分析一张图片里有什么东西时，它说它无法读取图片。你就会有一种上当的感觉，说好了AI能做很多事的，为什么连一个简单的图片分析都无法实现。

这实际上是一种误解，AI模型的能力取决于它本身设计时候的能力，以及训练使用的数据。像DeepSeek-V3这种模型，天生就只能处理文本，但是无法看图，也无法生成图片，它的能力边界就在这里，即使你可以上传图片，它也指只会告诉你，“对不起，我无法读取图片”。这种模型被称为纯文本大模型。而当前DeepSeek手机版默认使用的模型已经升级到了DeepSeek-V4.1-flash，flash模型具备文本和图片理解能力，可以上传图片，让它给你分析图片内容，这种模型被称为多模态模型。

虽然当前市面上的这种只能读取和分析文字的AI大模型越来越少，但是此处还是要讲清楚有关纯文本和多模态模型的区别，以免以后想要自己部署本地模型时，由于选错了模型而导致不必要的成本损耗。

纯文本模型和多模态模型的区别

纯文本模型和多模态模型的区别总结为一句话：输入内容是否只能是文字。如果一个模型只接受文本类型的输入，那它就是个纯文本模型，如果可以输入其他格式的东西，如图片、视频、语音文件、甚至是一些传感器数据，那就是多模态模型。

纯文本模型的能力

纯文本模型虽然只能接受文本信息，但是能做的事也是不少的。

纯文本模型能干的：所有和文字相关的内容，比如写邮件、写文本、写文案、翻译、总结长文章、写代码、知识问答等，总之，你能打字提问，它能打字给你讲清楚的工作它都能干。

纯文本模型不能干的：和文字无关的事。比如发送一张图片，问它这个图片里的东西是什么，它做不到。或者把会议录音直接发给它，让它帮你总结会议内容，因为它根本无法听到录音里的内容，更不可能帮你总结了。

多模态模型的能力

多模态的能力建立在它可以读懂文本之外的内容之上。

多模态模型能干的：

• 给它一张菜单截图，问它不能吃辣的话可以点哪些菜。
• 给它拍一张冰箱里的图片，问它这些食材可以做什么菜。
• 给它拍一张你随手写的随笔，让它帮你整理并补充内容，做成待办事项列表

多模态模型不能干的：

• 不能生成图像。不要觉得豆包既可以传入图片也可以生成图片，就认为，可以传入图片那就是多模态模型，它又能生成图片，那说明多模态模型就能生成图片！后面会告诉你为什么豆包可以生成图片。
• 没有精确的物理尺寸概念。当前的AI图像生成模型对精确的物理尺寸缺乏真正的理解，它知道一米七是一个尺寸，但是并不能理解一米七究竟是多大，你让它生成直径分别是一米和两米的球体，它生成结果都不一定是什么，很可能是两个一样大的球，给你标注了一个一米一个两米，但是并不合人意。这并不是AI不够聪明，而是AI的本质是通过训练数据学到统计规律，而非现实世界的度量。同样的，各种角度、尺寸、大小等概念，暂时不要试图通过AI获得准确的结果。当然，随着后续AI的发展，这个问题会被解决。

豆包为什么能画图

前面说了，多模态模型并不能画图，但是为什么豆包就能够生成图片呢？

这么说，手机豆包的背后，不只是一个模型，而是多个模型共同协作，使得整个产品既可以生成文本，也可以生成图片。当你进入火山引擎的模型页面，你会看到，模型分类选项下有语言模型、视频生成模型、图像创作模型、语音模型，Doubao-Seed这种模型，其输入基本都是文本/图片/视频，而输出都是文本，也就是说，Doubao-Seed模型只能输出文字，而不能生成图片，如果你的Agent接入了Doubao-Seed模型，你试图让它生成图片，基本是不可能的，至少在Doubao-Seed模型层面，是不可能，当然，如果你的Agent在接入的大模型之外有能生成图片的能力，那是你Agent的本事，而不是模型的能力。

而在后面Doubao-seedream系列下，这些模型则可以把文本和图片作为输入，输出图片。如果你将这种模型接入你的Agent，那你的Agent就可以具备输出图片的能力。

所以，如果未来你想要自己搭建一个能够画图的Agent，一定要注意你选择的模型是否能够生成图片。

总结

本文的目的是让你区分模型的类别，弄清纯文本模型和多模态模型分别能做什么，为以后Agent的搭建提供一个基础。选择错了模型，可能会导致你辛苦搭建的Agent模型及不能满足你的需求，也白白花了钱。