组合文件、图片与语音

桌上有合同，手机里有现场照片，同事又发来一段语音补充。把它们全丢进 ChatGPT 看似省事，结果模型把照片上的旧编号当成合同里的新编号，还把同事的猜测写成了要求。

多模态任务的难点不是输入更多，而是让每份材料各司其职。

材料也需要自我介绍

上传时给材料一个简短身份：文件 A 是已签版本，用来确认条款；图片 B 是现场现状，只能说明可见情况；语音 C 是同事的补充意见，不覆盖正式文件。编号很朴素，却能阻止很多无意拼接。

然后先让 ChatGPT 复述材料关系，不急着下结论。如果它说“根据照片可以确认合同已执行”，就能立刻发现越界：照片也许只拍到一个设备，无法证明整份合同的状态。

有时材料之间根本没有可靠关联。照片没有拍摄日期，文件也没写设备编号，此时最专业的结果不是勉强配对，而是提出一个很具体的补充请求：“请提供带编号的现场近照。”多模态不该把未知变成连接词。

冲突不能靠语气解决

书面文件