9秒会议视频实测 Ling-3.0-flash-VL:能读白板认图表,但分不清营收还是进度

nikola_mr64990 · x · 2026-09-20

博主用一段 9 秒的企业会议视频实测 AntLingAGI 的 Ling-3.0-flash-VL,考察它是「看画面」还是「理解画面关系」。

人物与动作:未给任何提示的情况下,模型正确识别出 4 人(1 人站双屏前讲解、3 人围坐),并区分出操作电脑、记笔记、指图表等动作,人物数量与关系未混淆。
跨帧细节:读出了白板上的 "Holbrook Creative Room 10:00am" 和月份文字,分别识别屏幕柱状图、折线图与山水画面,说明它在连续帧中找稳定视觉线索,而非只看静态截图。
采样机制:按官方说明以固定帧率采样(约每秒 2 帧),9 秒视频约 18 个分析节点,模型在离散帧之间比较姿态、视线与手势变化后组织成连贯描述。
选段能力:它判断第 2-4 秒最适合做宣传素材,理由是该时刻主讲人指数据大屏、听众边看电脑边记录,"数据驱动决策"形象最集中。

结论:视觉识别 ≠ 业务理解。模型能推测这是业务复盘/经营分析会,但无法确认图表内容是营收、用户数还是项目进度,"跨部门协作"等说法只是基于环境的推测,不能当事实。

「多模态」频道最新