过去一个月，只要你在拿大模型干活，“原生多模态"这四个字大概率是被按着头听了一整轮：8月21日DeepSeek的看图模型开源，8月27日智谱发布GLM-5.3-Flash，第一次把"原生多模态"挂进GLM的5系列，还顺手用国产卡跑完了训练；9月2日李飞飞的Atlas直接自称"全球首个多模态世界模型”，物料里"原生"二字也没缺席。往前数，Kimi K3、阿里Qwen3.8-Max、MiniMax H3、美国开源新王Inkling，发布材料里全挂着同一块牌子。36氪
热闹归热闹，社区其实一直绷着两根弦。B站那条《DeepSeek首个视觉模型实测》播放干到10.5万，评论区最高赞直接开吹：“同样的图片，手写体写的非常难看，但是gemini能精准识别出来，原生多模态的优势在此，其他模型碰瓷不了”。哔哩哔哩 可另一边，知乎Atlas问题下的高赞回答毫不客气：“我迄今为止不知道’首个原生多模态世界模型’是何意味”。知乎
同一块招牌，有人当能力代差，有人当营销贴纸。而你可能正面对一个很具体的决定：项目里那套"文本旗舰+看图外挂"，要不要迁去"原生"阵营？换，怕交智商税；不换，怕下个月榜单变天。
先给结论："原生多模态"不是一个从0到1的能力档位，而是三种完全不同的做法，对应三张完全不同的价签。把三笔账算完，这道选择题基本就做完了。
一个词，三种做法三张价签
第一种：早融合预训练——“先天长眼”。K3的路线是把约15万亿图文混合token从预训练第一秒就按固定比例混在一起，视觉编码器MoonViT-V2约4亿参数从零训起，不蹭SigLIP的现成权重，让视觉表示直接进下一token预测目标。代价写在参数表里：总参数2.8万亿、每token激活约1040亿。36氪 Qwen3.8-Max同走"大而全"路线：2.4万亿总参、激活950亿，原生视觉、Coding、Cowork全都要。TML的Inkling干脆把45万亿文本/图像/音频/视频token、100万上下文、Apache 2.0完整权重一次性放出来，还罕见地自曝短板：“Inkling并非当今最强的模型，开源闭源都不是”。36氪
第二种：后训练接入——“软升级装眼”。DeepSeek V4-Flash是样本：总参数284B、激活13B，约为K3的十分之一和八分之一，不动架构、不扩参数，更新集中在后训练，Arena WebDev一度打到1577分，前面只剩K3、Claude Fable 5、GPT-5.6 Sol等少数模型；它的看图能力则单独走了一条实验线，名字里自带Exp。36氪 分水岭在视觉数据进场的时机：K2.5技术报告的消融实验显示，如果训练中后期才加入视觉数据，模型的文本能力会先下降、再逐渐恢复。所以早融合用预训练成本换稳定，后训练路线用实验周期换算力——两者都叫原生，钱花在不同科目上。
第三种：旗舰按兵不动，二线先试。这是知乎那个提问——《为什么大多数国内旗舰模型不做原生多模态？》——的完整背景：DeepSeek、智谱、腾讯混元的最新通用旗舰基座仍以文本输入为主。知乎 智谱干脆把首个原生多模态放进flash档——GLM-5.3-Flash只有320B，官方称能力全面超越753B的GLM-5.2，AA榜单57分与Claude Opus 4.8持平，62T训练token全程跑在国产卡上。36氪 某头部基模研究员的成本判断更直白：“如果想做统一原生多模态模型，付出的资源肯定是1+1大于2”。36氪
至于把"原生"当形容词用的第四种场景——世界模型物料——商汤首席科学家林达华自己的判断已经给出参照系：多模态的涌现时刻"会在一两年内到来"。36氪 一个需要"等一两年"的方向，意味着今天市面上还没有公认的成品。复旦邱锡鹏的说法更狠：今天大模型真正欠缺的"不只是多模态，而是Context"。36氪
别急着换：外挂生态在干真活
B站上那条播放近4万的《给DeepSeek V4装上视觉外挂，强行多模态》教程，一套开源方案接进Claude Code就能跑；10.5万播放那条实测的评论区里最有信息量的是一个真实案例：有人让模型在Blender里手搓一个学校，建完它"不放心"，自己调用软件里的相机渲染了几张图检查，相机被挡住还会挪机位重新拍。哔哩哔哩 这就是外挂路线能活的底层原因——OpenAI 1月的企业使用报告里，研发岗最常用的三类ChatGPT工具，图片上传仅次于搜索和数据分析排第三：需求是真的，只是不一定要长在旗舰里。36氪
外挂的天花板同样清晰。图片先转成文字描述、再交给主模型判断，每一跳都漏信息；一位多模态研究员的比喻很难反驳："一个LLM是’瞎子’，下游配一个能看清楚的小弟。"而K3那类早融合模型玩的是vision in the loop——写完代码直接看页面截图再决定下一轮怎么改，浏览器平台Puter在测试页里埋了5处视觉偏差，K3对照目标页与运行页截图全部找出、零误报。36氪
但注意分工边界：单张发票OCR、截图转代码、商品图写文案，这类任务"瞎子老板+看清小弟"的结构完全够用。知乎上一篇工程向回答给了可操作的门槛——OCR类图片占比超过60%，传统Pipeline足够；只有涉及多步推理和工具链联动，原生多模态或混合路由才是正解。
榜单拆穿真相：短板不在眼睛，在续航
同一组评测里，DeepSeek视觉模型和对面旗舰Opus 4.8在单次工具调用上几乎打平——Toolathlon-Verified 75.9比76.2，差0.3分；可任务一拉长，差距立刻显形：多轮交互式Terminal Bench 2.1是83.9对85.0，需要跨文件结合代码库推理的NL2Repo是57.7对69.7，差了整整12分。知乎
那篇回答的总结句值得收藏：“视觉理解的短板不在’识别’，而在’推理’”。知乎 把图表趋势讲出来不难，难的是根据趋势推断风险、再触发对应的工具调用——链路越长，两次模型间"翻译"的损耗越是复利式累积。
顺带把使用端的账单也摊开：TokenMix视觉API横评里，同样一千张图，DeepSeek输入成本只有1.15元、谷时不到6毛，对面闭源旗舰是29块，差了25倍。36氪 但"原生"不等于白吃：一张图384个token封顶、单请求600张上限，多图预算照样失控。知乎 工程上压到256 token再裁高分辨率关键区域能省，代价是模型可能漏掉边缘细节——定价页上的便宜，都是按最优配置算出来的。
四步自查：什么情况换、什么情况不换
盘点场景：统计你业务里图片类型分布——OCR类、图表解析类、界面操作类各占多少；
OCR超60%：维持Pipeline/外挂，别为"原生"付溢价，视觉编码器用轻量开源方案即可；
长链主导（GUI Agent、多轮工具联动、vision in the loop）：上原生前先写token预算模型，再谈能力，别忘了实验版稳定性未必经过充分验证；
混合场景：做路由+fallback，并为路由失误设验收标准——判断失误会把简单任务误投进高成本链路，路由策略本身就是一个隐藏的成本中心。知乎
三种人先别换：只想"看图答题"的（看热闹测试，不等于生产）；旗舰Coding还没用稳的（业内共识是"Coding才是上牌桌的门槛"）；把"全球首个"当采购依据的（先查视觉进场在预训练还是后训练）。
接下来盯这三个信号
智谱旗舰版：首席科学家唐杰6月底在X征集"下一版GLM必须加什么"，评论区反复出现的答案就是"视觉"——二线试水何时转正，是国产旗舰路线的第一块多米诺。36氪
混元下一版：7月腾讯把大语言模型部和多模态模型部合并成"基础模型部"，姚顺雨的路线明显靠拢梁文锋——把视觉转成token服务上下文和行动，而不是独立做世界模型，GUI Agent链路能不能吃上这版红利，值得盯；
价格线：MiniMax H3靠自研VAE把序列长度省4倍，做到默认2K、每秒0.8元——架构效率的降价传导正从生成线往理解线走，急着上车的，账单可能还会变。36氪
写在最后
K3那篇报道里有句话把这个赛道说透了：这场竞争像同时拨动了两个时钟——Coding与Agent的排名几个月甚至几周就变，而模型从语言走向世界，需要更漫长的进化周期。36氪 跟着前一个时钟走，你随时可以换船；押后一个时钟，就别把营销词当能力。
训练时机一笔、链路长度一笔、迁移成本一笔——三笔账算完，"要不要上原生多模态"就不是一道跟风题，而是一道有答题卡的选择题。
