先把「多模态」拆成用户任务
图像、音频、视频与文档的输入输出组合很多，但用户真正关心的是：任务是否更快完成、错误是否可纠正、以及失败时是否可解释。产品清单应从任务出发，而不是从模型能力出发。
体验：输入、反馈与失败
- 输入：弱网、低光、噪声、方言、以及设备权限（相机/麦克风）失败时的提示是否清晰。
- 反馈：处理中状态是否明确；长任务是否有进度或可取消。
- 失败：失败原因是否可理解；是否提供替代路径（例如改上传、改文字描述）。
无障碍与公平：别默认「所有人都能拍清楚」
视觉相关任务要考虑色盲、对比度、以及无法使用摄像头的用户。音频任务要考虑听障与嘈杂环境。把「替代输入」作为一等公民，而不是补救。
隐私与安全：最小化采集
多模态数据往往更敏感。要明确：哪些数据上云、哪些本地处理、保留多久、谁可以访问。对未成年人、人脸与证件类内容，要额外评估风险与合规要求。
误用与滥用：提前定义边界
生成内容可能被用于欺诈、伪造或骚扰。产品层面需要：水印、使用条款、举报与处置流程、以及对高风险场景的限速/拒绝策略。技术不是免责理由。
评估与迭代：上线只是开始
把线上指标与内容安全审核结果纳入例行复盘；模型更新后要重新跑回归集。多模态系统的「漂移」往往比纯文本更隐蔽。
团队分工建议
多模态项目很容易出现“所有问题都丢给算法”的情况。更可行的分工是：产品负责任务定义与失败路径体验，算法负责模型能力边界，工程负责稳定性与可观测，法务/合规负责高风险场景审查。职责清晰后，讨论会从“这个模型行不行”转向“这个场景怎么安全上线”。
发布策略：先限制场景，再逐步放开
上线初期建议限制输入类型和使用频次，例如先支持图片问答，再逐步开放视频解析；先支持公开资料处理，再评估是否引入个人敏感信息处理。分阶段放开能显著降低事故半径，也更方便你定位是哪个能力造成问题。
小结
多模态的价值在于解决真实任务，而不是炫技。把体验、隐私、安全与边界一起设计，才能避免演示与生产之间的巨大落差。