从五金到走线：多模态模型怎样读一组商品照片

买家上传十张照片，模型却只盯着第一张正面图，结果往往很像“看过”而不是真的看懂。商品识别的起点是把图像分配给部位：整体轮廓、底角、包口、五金背面、内里、标签和序列区域。每个部位回答的问题不同，缺图也必须被记下来。

图像识别可以先做位置与比例分析，例如锁扣在包身上的相对尺寸、提手弧度、缝线间距是否明显异常。纹理判断则要更谨慎。皮革压纹在不同光线下差异很大，照片压缩也会抹掉细微颗粒。只凭像素相似度排列“最像的样本”，容易把拍摄条件当成制造差异。

把图片接到知识库

大模型可以处理商品描述、历史目录、维修单与平台记录，帮助建立候选型号和年代范围。它的价值在于把分散文字变成可查询线索，例如“这个时期是否存在这类内衬”“该款式何时调整过肩带连接”。但知识库若收录了错误的卖家描述，模型也会很自信地重复错误。资料需要来源等级、时间标记和人工校订。

多模态流程不是把所有信息扔给一个模型，等待一句判词。更稳妥的做法是列出观察项：照片显示什么、文本记录声称什么、两者是否冲突、冲突可能来自年份变化还是维修。对于高仿商品，Logo 可能与参考图十分接近，结构比例、内里工艺和多个细节的组合才更有区分力。

输出也应能指导下一步。若五金背面缺少清晰照片，系统应要求补拍；若一处走线与同期样本不同，应说明参考范围和例外可能。风险评分可用于排队复核，却不应替代检验报告。把“低风险”误读成“保证真品”，会给交易双方制造虚假的安全感。

部位之间的关系有时比单个部位更重要。一个锁扣看起来合适，提手连接方式也看起来合适，但两者若分别对应不同的生产时期，组合就值得追问。多模态系统需要学习这种“组合合理性”，而不是给每张局部图独立打分再机械求平均。

商品描述生成同样需要边界。图像模型可以说“右下角可见浅色磨损”，却不应凭照片推断“曾由品牌官方修复”。文字知识库能提供某个款式的历史背景，也不等于眼前这件商品必然属于那个时期。把观察、推断和来源材料分开呈现，是模型输出能否被信任的关键。

技术的成熟度，常表现在它如何处理不知道的东西。对旧款尤其如此：历史样本稀少、批次差异复杂、维修频繁。一个能认真标注证据缺口的工具，比一个永远给出确定答案的工具更适合古着。