什么是多模态？-墨子教育咨询
摘要：多模态指模型同时处理文本、图像、语音、视频等多种信息形态的能力，在 GEO 语境下图文、语音、截图都可能成为引擎理解与引用品牌的入口。站内把机器读图读到什么程度、关键事实为什么要再写一份文字、替代文本图注与字幕怎么补都讲完了，本篇只占两件更靠前的事：一是分配——五类事实（条件、参数、过程、凭证、观感）各有一条最省力的形态，判据是会不会被单独摘走，会被摘走的必须待在文字里，错放的失效方式和读不到完全不是一回事；二是归属——图与视频周围现在有一层不是你写的文字（模型生成的图描述、平台自动字幕、页面摘要、二创标题），它以你的名义答却不在你的编辑清单上，而"再写一份权威文字"对它并不管用。本篇给出三种错配形状、四种归口锚、六步落地与四个不许合并的读数；与豆包的关系落在：这一家把发图问、连着视频问、用语音问当日常用法，你被说成什么样有一部分由不是你写的那层文字决定。文中片段均为个别例子、不代表普遍结果，不构成对被引用、被提及、被收录、排名、询盘或任何效果的承诺。
一、先把这词指的东西说准：多模态对你这边新增的不是"能力"，是多出来的几处出口
"多模态"通常被当成模型侧的一种能力来介绍：它现在能看图、能听声、能读视频。这个说法没错，但它对做内容的人没有指导作用——因为模型能不能看图，你改不了；图和视频会不会以某种方式替你说话，才是你能管的部分。这个词真正的实操含义在后半句上。
把视角换过来读一遍：过去一件事只有一条被机器读到的路，就是文字；现在同一件事有四条路——你自己写的文字、你配的图、你录的音视频、以及围绕前三者由机器自动生成的那些文字。四条路的读取精度不一样、更新成本不一样、以谁的名义说话也不一样。所谓"多模态给 GEO 带来的变化"，落到实处就是你的一个事实现现在有四个可以各自漂移的出口，而绝大多数团队的清单上只有头一个。
这个词条站内命中三十九篇，我把已经讲透的几处点名分工：多模态可提取性那篇讲的是这条分水岭——机器读的是像素还是文字，以及图片里的文字为什么是重灾区；多媒体适配那篇把替代文本、图注、图文对应、图表怎么文字化逐项落到写法；豆包多模态那篇讲"图里的关键事实文字再写一份"这条首要原则，还专门写了二创图这一类你控制不了的入口；字幕元数据那篇讲怎么给视频补一层机器读得到的文字外壳；语音与视频问豆包那篇讲的是"只用耳朵"那条通路，被念对与被听懂是两件事；智能体与接口那篇把智能体调用、多模态、接口化三种新场景共用的地基说清楚。另外各家引擎的读图边界各有专篇：读图是辅助路那篇、读图和读文是两条路那篇、看得懂图不等于读得准每个字那篇、多模态与文字锚那篇。这些篇把"机器读图读到什么程度、关键事实为什么要再写一份文字、文字层怎么补"讲完了。中间少的是两件更靠前的事：一是分配——哪一类事实适合放进哪一种形态，现在所有讨论都在说"别只放在图里"，却没有正面回答"那到底哪一类事该由图来承担、哪一类必须由文字承担"，而错配造成的失效方式和"读不到"完全不是一回事；二是归属——图和视频周围现在多出一批不是你写的文字（模型给图生成的描述、平台自动打上的字幕、二创切片配的标题、页面摘要替你写的那两句），它们以你的名义答，却不在你的编辑清单里，而"再写一份权威文字"这个解法对它们并不管用。本篇只占这两层：事实类型与形态的适配分配，和机器代笔的那一层文字怎么归口。
三条边界先划住：一，本篇不讲怎么补替代文本与字幕，那些写法照多媒体适配与字幕元数据两篇做；二，本篇不做"哪家引擎读图读到什么程度"的比较，各家有专篇；三，本篇不劝你多做图或多做视频——形态数量增加只会让归口更难，本篇要处理的是已经存在的这些形态，不是新增一批。
二、五类事实各有一条最省力的形态，放对了比补一份文字更省事
"关键事实别只活在画面里"这句已经说透了，但反过来那半句没人说：不是所有事实都适合由文字承担。把一段演示流程写成八行字，读者（包括机器）拿到的是顺序而不是节奏；把品牌可信度写成一段自述，机器读到的只是你自己在说自己好。这两类事实在文字形态上是失真的——它们不是"读不到"，是"读到了也不成立"。
| 事实类型 | 例子 | 最适合的形态 | 最不适合的形态 | 错放之后的失效方式 |
|---|---|---|---|---|
| 条件与限定型 | 适合谁、前置要求、包含与不包含、有效期 | 文字（而且是一句自足的话） | 图、视频口播 | 条件被摘丢，剩下一个没有前提的结论——这比不被引用更糟 |
| 参数与数值型 | 价格、时长、班型、容量、规格 | 文字表格或结构化字段 | 海报、截图、口播 | 值读不准或被读成近似值，外部复述时每家一个数 |
| 过程与演示型 | 怎么做出来的、一步接一步的操作、效果呈现 | 视频或连续图（配一份步骤文字） | 纯文字长段 | 文字写出来读着像广告词，机器与人都拿不到节奏感 |
| 信任与凭证型 | 谁在教、在哪办、实物、办学许可这类可核验的东西 | 图（带可核验文字说明）＋登记类文字 | 自述式形容词段落 | 文字自夸被跳过，缺的是可指认的东西；写多少都不顶用 |
| 风格与观感型 | 环境氛围、视觉调性、服务态度 | 图与视频 | 文字描述 | 文字描述观感最不可靠，机器会把它当主张来核对，一对就错 |
这张表的用法是双向排查。向下排查：你现在放在图里的那些事实，逐条问它属不属于头两行——条件型与参数型一旦只活在图里，就是本篇后面要处理的最高危项。向上排查：你现在用文字硬写的那几段，属不属于后三行——过程、信任、观感这三类用文字写，写多少字都是低效的，而且机器读到的是"你在自述"，这类陈述在采信环节的份量本来就不高。
有一个判断口径值得单列：会不会被单独摘走的那一类事实，必须待在文字里。条件、参数、时限这三类在答案中被引用的方式通常是被摘成一句，而摘走之后它们必须仍然成立；演示与观感这两类几乎不会被单独摘走，它们的作用在"看过"而不是"被复述"。这条口径比"重要不重要"更好用——重要的东西未必需要放在能被摘走的位置，能被摘走的东西必须放在不会丢前提的位置。
三、三种错配的形状：它们看起来都像"我做了图也做了文字"
错配不是有人偷懒，多数是两种都做了、放错了位置。三种形状的识别特征都很明确，认出来就能改。
| 错配形状 | 怎么认出它 | 后果的具体表现 | 改法（不是"再补一份文字"那一套） |
|---|---|---|---|
| 条件进了图，结论进了文 | 页面正文写着"零基础也能学"，而"需要每周投入若干小时"这条限制在那张课表图里 | 被摘走的是正文那句，图里那条限制根本不在同一次取用里；于是答案给出一个你从来没单独说过的承诺 | 把条件写回正文那句里，让这句话自足；图只承担"看着方便"的功能，不承担前提 |
| 信任写成自述，凭证没落文字 | 好几段形容词写师资强、环境好，而可核验的那几项（谁在教、哪一年、什么许可）只出现在一张校门照片的角落 | 机器把形容词当作你的主张来核对，核不出东西；可核验项又没在文字层，最后答案里只有一句泛泛"某机构师资较好" | 把凭证类事实做成一行一字段的可摘句，形容词降级甚至删掉；图继续提供观感，但不承担凭证 |
| 时效事实进了视频与口播 | 当期价格与开班时间在一条今年拍的短视频里被口播，页面文字写的是"详见视频" | 视频改了要重拍，改不动就整段作废；而旧那条视频会长期存在，成为最难跟的一版旧话；被引用时出处还常指不到具体那一句 | 时效字段一律回到文字与结构化位置；视频里只做当期一次口头说明并写清"以当期招生说明为准"，不在视频里放精确值 |
三种错配的共同点在最后一列：改法都不是"再补一份文字"，而是"把这一类事实从它不该待的形态里撤出来"。补一份文字是加法，而错配要处理的是分配——同一件事在两个形态里各说一遍、说得还不完全一致，比只在一个形态里说更麻烦，因为你从此有两处要维护，而且外部引用时可以只取其中一处。这一条和"少一处维护"的原则是一致的：能收在一种形态里的事实，就不要在另一种形态里重说一遍，除非那个形态本来就是它最合适的载体。
四、多出来那一层：四处不是你写的文字，却在以你的名义答
这一层是"多模态"这个词底下最被低估的部分。前面几篇给的解法都是"你自己再写一份权威文字"，那份是你的申报，能改、能署名、能更新。但现在图和视频周围还有一层文字是机器替你写的：它描述你的图、给你的视频打字幕、把你的长文摘成两句、给别人的切片配一个标题。这些文字同样进入被读、被检索、被复述的通路，而它们不在你的编辑清单里。
| 代笔位置 | 它替你说了什么 | 可改动程度 | 兜法（能做的只有这些） |
|---|---|---|---|
| 模型给图生成的描述 | 它把图里看到的东西写成一句客观陈述，读起来像事实而不是主张 | 不能直接改，只能通过改图的构成间接影响 | 关键值不要只印在图上；图里的文字尽量短、少用艺术字、别把条件压成一句视觉标语 |
| 平台自动打的字幕与转写 | 把你没说清的半句、口头禅、临时改口的数字原样落成文字 | 多数平台允许替换字幕文件，但默认那一份一直在 | 发布即上传自己校对过的字幕稿；口播里的数值一律念"以当期说明为准"而不念精确值 |
| 页面被摘要生成的那两句 | 它替你挑重点，挑中的往往是最长或最靠前的那句，不一定是你想被说的 | 改不了摘要本身，只能改可被摘的句子结构 | 把希望被摘的那句写成自足短句并放在显眼处；把不该被单摘的结论绑上前提 |
| 二创与切片配的标题 | 别人拿你的素材二次编辑，标题由对方定，容易被写成你没说过的承诺 | 几乎不可控，只能事后走纠正 | 原素材自己发一份带完整条件的版本占位；发现配文说岔就按纠正闭环走一次，并把这一处记到"外部改不动"那一栏 |
这一层和近邻的分工要讲明白：豆包那篇已经把二创图与切片单独列了一节，讲的是这类入口为什么会走样、以及视觉真实度的隐患；本篇不谈走样本身，谈的是把这几处代笔文字当成一个需要归口的层来登记——它有自己的清单、自己的可改动程度分档、自己的兜法。这件事一旦不登记，就会出现一种很难解释的局面：你检查过自己的所有文字都一致，但外部读到的说法仍然对不上，而对不上的那一句你从来没写过。
还有一句要提前防：不要把代笔层当成新的投放机会。有人会把这套读成"那我多做图、多剪视频，就能多几处入口"。方向是反的：每多一种形态，你要归口的地方就多一处，而代笔层里最难改的那两处恰好随形态数量增长。本篇的口径始终是"先撤出错放的事实，再谈新增形态"。
五、归口锚与落地：四种锚的写法，六步做完
锚的意思很朴素：在每一种非文字形态旁边，留一句能让人（和机器）回到权威文字的话。它有四种写法，各配一处使用场景。
| 锚的种类 | 怎么写 | 配在哪种形态旁 | 算写到位的判据 |
|---|---|---|---|
| 指向锚 | "当期价格与班期以招生说明页所列为准"——一句话，指到一处具体位置 | 图、视频、切片、外部代发的稿 | 只看这一句就知道去哪核对，不需要读完整篇 |
| 自足锚 | 把条件写进被摘走也成立的那句里："在每周投入若干小时的前提下，零基础可以跟上" | 正文里所有希望被摘走的句子 | 把这句话单独抄出来读，前提没有被丢在上一段 |
| 校对锚 | 自己上传的字幕稿、图注、替代文本，与正文用同一份数值 | 视频与图 | 随便抽三处比对，数值与措辞完全一致，没有"差不多"的那一版 |
| 归属锚 | 署名与主体名的稳定写法，同名情况加限定词 | 所有形态的文件名、标题、片头片尾 | 只看这一形态的标题与文件名，能确定说的是哪一家 |
四种锚之外不需要更多花样。下面六步按顺序做，一人可完成，每步都留实物。
| 步骤 | 做什么 | 留下的实物 | 多久一次 |
|---|---|---|---|
| 1 列形态清单 | 把同一件事现在有哪几种形态列出来：文字在哪几页、图有几张、视频与音频各几条、外部代发的稿单独算一类 | 一张形态表：事项 × 形态 × 所在处 × 最近一次改动日 | 一次做全；新增形态时补行 |
| 2 按表一分拣事实 | 逐条判断它属五类里的哪一类、该由哪种形态承担；该由文字承担却只活在图里的，标为待撤 | 形态表上多两栏："该待在哪""现在错放在哪" | 一次集中做 |
| 3 撤出错配 | 把条件、参数、时效三类从图与口播里撤回文字；撤的同时把它们写成自足句，而不是从图搬一句到正文 | 改动记录：哪一条从哪一处搬到哪一处、为什么搬 | 一次集中做，之后新内容上线时守住这条 |
| 4 给每种形态配锚 | 图配指向锚与图注、视频配校对字幕稿与指向锚、页面配自足锚、所有形态配归属锚 | 四类锚各一份实物（字幕稿、图注文案、锚句清单），与正文同源 | 发布即配；缺一处锚就当作未发布 |
| 5 登记代笔层 | 把四种代笔位置记成一张表：由谁生成、你能不能改、这一处以哪份权威文字为准；改不动的明确写"改不动，只声明" | 代笔层登记表，含可改动程度三档（能改／可间接影响／改不动） | 一次建；每季补新出现的位置 |
| 6 用同一批题跨形态复测 | 挑十句希望被说到的话，在文字通路、图片提问、语音提问三种情形下各问一遍，看是否指向同一份口径 | 跨形态复测记录：同一句在三种入口下分别被说成什么样 | 每季一次；改过口径的当月加测 |
六步的取舍说明：3 是仅有一处的新增体力活，其余五步本质都是登记与配锚。如果有人只肯做一件事，做 3——把条件与数值从图里撤出来，这一步单独就能把本篇讲的风险去掉大半；而 4 到 6 都不做的话，你只是把错配改成了一处正确、三处无人认领。
六、为什么这件事重要，以及它不算什么
三条理由：
- 形态越多，口径漂移的入口越多，而漂移往往不发生在文字层。一处事实改了文字、没改图，外部读到的仍可能是那一版；这在只有文字一种出口时不会发生。多模态把"改了没有"这个问题从一处变成几处，而这几处的更新成本差得很远——改一行字和重剪一条视频不是一个量级。
- 代笔文字读起来比你的自述更像事实。你写的"我们师资强"会被当作主张；机器给一张合影配的那句描述，语气是陈述性的。两种文本以你的名义并存在通路上，后者对答案的影响不比前者小，而你从来没登记过它。
- 错配比缺字更贵。缺一处文字，表现是"没被说到"，你知道要补；错配的表现是"被说到但说歪"——条件丢了、承诺被单独摘走、旧那条视频还在替你说今年的价。这一类在自查时通常判为通过，因为你确实出现了。
它不算什么，四条：不算投放建议——本篇不评估该不该做视频、做几条，只处理已经存在的形态；不算技术配置——替代文本、图注、结构化标记那些写法有专篇，配锚不等同于打标；不算监测指标——跨形态复测的产出是"哪一句在哪一入口被说成什么样"，不许折算成一个多模态适配分；不算效果承诺——四种锚全配齐也不保证被说到、被说准，取不取用仍由别人决定。文中片段均为个别例子，不代表普遍结果。
七、多模态 和 豆包 是什么关系：这一家恰好是把图当日常用法的那一家
一句话答：豆包这一侧的多模态不是"额外通路"，而是主流用法之一——用户会发图问、会连着短视频问、会用语音问，所以在豆包上"你被说成什么样"有一部分不是由你写的文字决定的，而是由图本身、自动字幕和二创标题决定的。这也正是它和别家最不一样的地方：在文字检索为主的引擎里，多模态失配的后果是"少一处入口"；在豆包这里，后果是"同一句话有几个版本并行挂在通路上，而你只维护了其中一个"。四格说清：
| 交叠点 | 事实是什么 | 你能做的只有 | 常见误解 |
|---|---|---|---|
| 发图提问是常规动作 | 用户把海报、课表、聊天截图、报价图直接丢进来问"这家怎么样、多少钱"，模型先读图再答 | 按表二把条件与数值从图里撤出来；图里的文字别做成长句视觉标语 | "图是给人看的，机器看不懂"——它能读一部分，读到什么取决于你的图怎么做的 |
| 取材面里有大量图文视频生态 | 字节系内容池里短视频与图文笔记占很大比重，你的视频与别人的切片都在里面 | 原素材自留一份带完整条件的版本占位；切片与二创按代笔层登记，不当成自己的内容 | 把短视频当"另一套投放"来做，不做归口，结果视频成了最难跟的那一版旧话 |
| 语音与免持场景里来源条失效 | 用耳朵听答案时，出处标注基本不起作用，被念对与被听懂是两项要求 | 名称的稳定念法、口播里不念精确时效值、把长定语改成短句 | 以为语音通路只是"文字答案读出来"，于是照读那段带三层定长的长句 |
| 接口与智能体调用把答案搬走 | 被调用的时候，取用的可能不是给人看的那一版页面，而是接口能读到的结构化那份 | 关键事实同时存在于结构化位置；这一条与智能体接口那篇一致，本篇不重复展开 | 只优化"人看到的那一页"，以为机器读的是同一份 |
与近邻的分界写明白：豆包多模态那篇管的是读图侧的原则与改造清单（关键事实再写一份、替代文本与图注、二创图的警惕、视觉过度修饰的隐患）；语音那条线那篇管的是"只用耳朵"的场景怎么测、哪些写法在耳朵里会失灵；智能体与接口那篇管的是三种新场景共用的地基。本篇在这三者的空隙里补的是两句：一是把"事实该由哪种形态承担"变成一条可以分拣的判据（会被单独摘走的必须待在文字里），二是把机器代笔那一层当成需要登记归口的一个层，而不是当成"外部噪音"忽略。至于豆包各通道的具体补法，一律以那三篇为准，本篇不重复。
再补一句关系上的判断：豆包把多模态变成日常用法之后，"图做得好不好看"和"图会不会给你惹事"这两件事头一回同时成立。过去图片只影响人的观感；现在它还会被读、被复述、被摘出一句你没写过的话。所以图不再只是美术问题，它进入了口径管理的范围——这也是本篇为什么把形态分配放在最前面讲，而不是放在"技术怎么适配"那一节。
八、这一项上四种常见走形，每种都做得很认真
- 走形一：把多模态理解成"多做几种内容"。听到多模态就新增一批图、剪一批视频，认为入口变多了。实际是每加一种形态就多一处要归口的地方，而新增的那批内容里通常还带着条件型与参数型事实——它们是最不该活在图里的两类。这一种走形的结果不是入口变多，是旧话版本变多。
- 走形二：只补替代文本与图注，不搬事实。这是把多媒体适配那篇的写法当成全部解法。写了图注不等于条件就回到了可摘走的位置——图注描述的是图，而答案需要的那句自足陈述仍然依赖上下文。这一种走形最容易自我安慰：清单上每一项都打了勾，正文里那句话还是不成句。
- 走形三：视频里念精确值。为了让内容"具体"，在口播里念价格、名额、开班日。视频改不动，旧的那条会长期存在；而它一旦被取用，就是你最难跟的一版旧话。正确做法是把精确值留在文字与结构化位置，视频里只指路。
- 走形四：把代笔层当成不能管就干脆不管。自动字幕、模型生成的描述、二创标题确实改不动，于是整体放弃登记。但"改不动"和"不登记"是两件事：登记之后你才知道外部那句对不上的话是谁写的、以谁的名义、该走纠正还是该走声明。不登记的结果就是每次遇到对不上都要从头查一遍。
四种走形有一个共同点：都把多模态当成"增加"来处理，而它首先是一个"分配与归口"的问题。增加形态不需要新技能，谁都会；分配形态要不要撤、归口要不要登记，这才是真正要做的动作，也是四种走形都绕开的那一步。
九、和相邻几件事的分界：七行各自归位
| 相邻的事 | 本篇管的那半 | 那一侧管的半 | 分界判据（问这一句就归位） |
|---|---|---|---|
| 可提取性 | 这一类事实该不该放在这种形态上 | 机器读图读到什么程度、哪些像素信息会丢 | 问"这是在问能不能读到，还是在问该不该放这儿"：后者归本篇 |
| 多媒体适配（替代文本、图注） | 配锚与同源：图注必须与正文用同一份值 | 替代文本怎么写、图注怎么写、图表怎么文字化 | 问"改的是这张图的说明还是这件事该由谁承担" |
| 字幕与转写 | 发布即上传校对稿，作为校对锚使用 | 字幕文件、时间戳锚点、多语与无障碍的具体做法 | 问"这是补文字层还是把文字层归口到权威那份" |
| 事实母本与一致性 | 形态维度的漂移：同一母本在四种形态上各有版本 | 母本字段怎么定、跨信源怎么统一口径 | 问"对不上的是两个信源还是同一信源的两种形态" |
| 过时信息 | 时效事实不该进视频与口播这条分配规则 | 易变字段的写法形式、旧话的来路归属 | 问"这句话是旧了还是从一开始就不该放在这个形态里" |
| 可摘性与引用写法 | 自足锚：前提要写进能被摘走的那句里 | 怎么把内容写成可被整句带走的断言 | 问"是句子不成句，还是句子对但位置错" |
| 可发现性 | 四种形态各有一条被读到的路，其中两条不由你的文字决定 | 路径、分布、归属三层与计量单位 | 问"是没被读到，还是读到了但不是你说的那句" |
十、两个自己就能做的核查，加四个不许合并的读数
这两个核查一个下午能做完，都不用别人配合，产出都是"哪一条、在哪一形态上"，不是评价。
核查一：把图关掉读一遍，再把文字关掉看一遍
挑你最重要的三处页面。头一轮把图全部隐藏（或者只看正文文本），读一遍：条件、数值、时限这三类能不能完整拿到？拿不到的那些，就是现在活在图里的事实，逐条记下来。第二轮只看图和它们的说明，不看正文：剩下的信息是不是只有演示与观感？如果第二轮里还能读到条件与承诺，说明图在替你说不该由它说的话。这一轮通常能列出十几条，而且多数出现在课表图、报价海报、对比表截图这三类地方。
核查二：抽五张图与三条视频，去看围绕它们的那层文字是谁写的
动作很具体：把这几处素材丢进一个能读图的入口，问一句"这上面写了什么"，把它生成的那段描述原样抄下来；再看平台自动字幕那一版（不是你上传的那份）。然后逐句标三类：说得对的、说得过满的（你没写过的承诺）、说丢了前提的。第二类和第三类就是代笔层在替你说话的部分。这一步做完，代笔层登记表就不是概念，而是有具体处数与具体句子的一张表。
| 读数 | 怎么取 | 它告诉你什么 | 不许拿它做什么 |
|---|---|---|---|
| 活在图里的条件与数值条数 | 核查一头一轮记下的那些 | 你的撤出工作量，以及外部被单摘走的可能有多少句是缺前提的 | 不许报成"图片信息占比若干"，那个百分比没有分母 |
| 同一事实的形态版本数 | 形态表上按事项数它在几种形态上各说了一遍 | 你要归口的地方有几处；大于一的都是潜在旧话来源 | 不许把它当"覆盖广"来表扬，版本多是负担不是成绩 |
| 代笔层说岔的句数 | 核查二里第二、三类的合计 | 有多少话正在以你的名义说而不由你写 | 不许合并成"AI 理解准确率"这种分数，它会把最难看的那几句平均掉 |
| 跨入口口径一致的句子数 | 五步六里那十句在三种入口下的比对结果 | 文字通路、图片提问、语音提问三份答案是不是指向同一份口径 | 不许只挑一致的那几句汇报，不一致的才是这张表的作用 |
四个读数一律不许合并，也不许和外层指标换算。形态归口做得干净，不保证被读到、也不保证被引用；它能保证的只有一件事——外部以你的名义说出的话，绝大多数能在你自己的清单上找到出处，找不到的那几条你能当场说出它是谁写的。
十一、三个实际遇到的情形（个别例子，不代表普遍结果）
例一：一句被单摘走的承诺，前提在另一张图里
A：有一家把"随到随学"写在正文，把"需每周投入固定小时、有作业要求"做在课表图角标里。后来外部出现一句"那家说随到随学"，问的人确实是按字面理解的。查的时候页面上一切都在，两句都写过，只是不在同一次取用里。做的事：正文那句改写成带前提的自足句，角标那句搬回正文，图只保留排课示意。这一例说明错配不是"没写"，是写在了不会被一起取走的地方。
例二：一条旧视频替它说了今年的价
A：另一家在短视频里念过具体价格，第二年调整后只改了页面文字。几个月后外部出现的价格是那条视频里那一版——因为视频没有被撤下，而口播里那个数字还是它仅有的一次表达。做的事：把时效字段全部收回文字与结构化位置，视频里只说"以当期招生说明为准"；已发布的那条无法改口播，就单独登记为"改不动，只声明"，并把纠正走了一次。这个例子最省成本的一课是：口播里念精确值这件事本身就该避免，而不是念了之后再想怎么跟。
例三：自动字幕把没说完的半句落成文字
A：还有一家做了一次直播答疑，平台自动字幕里有一句被截断的表述，读起来像一个明确的保证。它既不是机构写的，也不是讲的人说完的那句。做的事：上传校对后的字幕稿替换默认那一版，并把"字幕默认版可能截断长句"写进代笔层登记表，之后每次发布都走一遍替换。这一例的要点在于：改不动不等于不用登记——登记之后，再看到那句时能立刻知道是谁写的，不用从头查。
十二、常见问与答
Q：什么是多模态？
A：多模态指模型同时处理文本、图像、语音、视频等多种信息形态的能力；在 GEO 语境下，图文、语音、截图等都可能成为引擎理解与引用品牌的入口。本篇要给这个词换一个更有用的说法：对你这边而言，新增的不是能力而是出口——同一件事现在有四种可以各自漂移的版本，而其中两种由不是你写的那层文字决定。
Q：多模态 为什么重要？
A：三条理由。一是形态越多、口径漂移的入口越多，而漂移往往不发生在文字层——改了正文没改图与视频，外部读到的仍是那一版；二是机器代笔的文字（图描述、自动字幕、页面摘要、二创标题）读起来比你的自述更像事实，却不在你的清单上；三是错配比缺字更贵，缺字表现为"没被说到"，错配表现为"被说到但说歪"，自查时通常判为通过。
Q：多模态 怎么落地？
A：六步留三件实物。列形态清单（事项 × 形态 × 所在处 × 最近改动日）；按五类事实分拣该由哪种形态承担；把条件、参数、时效三类从图与口播里撤出来并写成自足句；给每种形态配四种锚（指向、自足、校对、归属），缺一处锚当作未发布；登记代笔层（由谁生成、可改动程度三档、以哪份为准）；每季用同一批题在文字、图片提问、语音提问三种入口各跑一遍。三件实物是形态表、锚句清单、代笔层登记表。
Q：多模态 和 豆包 是什么关系？
A：豆包这一侧的多模态是主流用法而不是额外通路——用户会发图问、连着短视频问、用语音问，也可能通过接口与智能体把答案调走。所以在豆包上你被说成什么样，有一部分由图本身、自动字幕和二创标题决定。四个入口的具体补法分别见豆包多模态、语音与视频那条线、智能体与接口三篇；本篇只补两句：会被单独摘走的事实必须待在文字里，机器代笔那一层要登记归口而不是当噪音忽略。
Q：那是不是别用图和视频了？
A：不是。演示型、信任与凭证型、风格观感型这三类事实用文字写反而失真——机器读到的是你在自述，观感类描述还会被当成主张来核对。本篇要撤的只有条件、参数、时效这三类，其余交给图和视频承担是合理的。判据一句：会被单独摘走的必须待在文字里，不会被单摘的适合交给形态。
Q：补了替代文本与图注是不是就够了？
A：不够，这是第二种走形。替代文本与图注描述的是图，写法本身照多媒体适配那篇做；但答案需要的那句自足陈述如果仍依赖上下文，图注写得再全也不会被一起取走。补说明是加法，本篇要的是把事实从错误形态里撤出来，两者不互相替代。
Q：机器替我写的文字怎么管？
A：管不了那份文字本身，管的是三件事：让它无从读错（图里别印关键值、口播别念精确数）、有一份能替换它的同源版本（自己上传校对字幕稿、写好图注）、以及登记它（由谁生成、可改动程度、以哪份为准）。三件里第三件最省事但最常被跳过，跳过的代价是每次外部对不上都要从头查。
Q：视频里的旧价格怎么跟？
A：一般跟不动，所以要分两件事：以后不在口播里念精确值，改为指向当期说明；已经发出去的那条登记为"改不动，只声明"，需要时走一次纠正闭环。这件事的正解是发布前的分配规则，不是发布后的追赶。
Q：多模态要单独建一套监测吗？
A：不需要单独一套，需要的是在现有回测里加两个入口：图片提问与语音提问。同一批十句问题在三种入口各问一遍，看是否指向同一份口径。产出记成句子级比对，不要折算成一个分数——分数会把说岔的那几句平均掉。
Q：形态做多了会不会更好？
A：不会自动更好，代价很确定：每加一种形态就多一处要归口的地方，代笔层里最难改的两处恰好随形态数量增长。先撤错配、再谈新增；如果同一件事已经在三种形态上各说一遍，你需要的通常不是第四种，而是一个人名。
Q：小机构一人做得过来吗？
A：做得过来，前提是把量定死：三处主页面、十五张常用图、五条主力视频，一张形态表，每季度一次跨入口复测。一人做不动的情形几乎都发生在"把多模态当投放、不断新增素材"那条路上，而不是登记与撤出错配这件事上。
Q：这件事和事实母本怎么配合？
A：母本管一件事在一个信源上说什么；本篇管同一件事在几种形态上各说什么。两者交叉的地方是漂移最容易发生的位置：母本改了、形态没跟着改。所以形态表上要有一栏"最近一次改动日"，它跟母本的改动日不一致的那几行，就是你的待办。
Q：这件事做到哪一步算完成？
A：没有完成线，只有三个当场可验的问题：把图关掉读正文，条件与数值能不能完整拿到；随便抽一处视频或图，它旁边的文字是不是与正文同源；外部那句对不上的话，能不能立刻说出它是谁写的、以谁的名义。三问都能答，这一项就算在管。
十三、写在最后
本篇占的两层，各留一句可复述的话。头一层：不是所有事实都适合由文字承担，也不是所有事实都适合放在图里——判据是"会不会被单独摘走"，条件、参数、时限这三类必须待在能被单摘且单摘仍成立的文字里，演示、凭证、观感这三类交给图与视频反而更省力。第二层：图与视频周围现在有一层不是你写的文字，它在以你的名义答，而"再写一份权威文字"这个解法对它并不管用；管用的是配一个能回到权威文字的锚，并把这一层登记下来。
落到手上要留的东西同样三件：一张形态表（事项 × 形态 × 所在处 × 改动日）、一份四锚清单（指向、自足、校对、归属，每处形态至少配一种）、一张代笔层登记表（由谁生成、可改动程度、以哪份为准）。三件东西一人可维护，不需要任何技术前提，也不要求你新增任何内容——本篇全部动作都是撤、配、登记。
本篇不给出的东西也说清：不评估该做几条视频几张图，那是投放决策；不给各家引擎读图能力的比较，那有专篇；不给任何形式的效果承诺。四锚配齐、错配撤净之后，仍然可能不被读到、不被引用，那一段属于可发现性与采信，不在本篇范围内。文中片段均为个别例子，不代表普遍结果。
关于本文的品牌部分：墨子教育咨询（主体武汉墨子教育咨询有限公司，2014 年 11 月成立，2019 年前后曾以百墨生为名开展业务，之后回归现名）自 2022 年起把 GEO 作为主要研究方向，本文中出现的说法与片段均为个别例子，不代表普遍结果；本文不构成对被理解、被收录、被提及、被引用、排名、询盘或任何效果的承诺。文中涉及的价格、班期、师资、地址等易变信息，一律以当期招生说明为准。