El multimodal es fantástico hasta que necesitas que sea exacto

Me encanta que un chat ahora puede tomar una captura de pantalla, un PDF y una pregunta y respuesta, todo a la vez. Luego le pedí que leyera un solo número de serie de una factura y me dio un dígito incorrecto y casi envié un pago al lugar equivocado.

Los modelos multimodales son brillantes en lo esencial y descuidados en los detalles. Resumirán perfectamente un documento y transpondrán un número sin darse cuenta. Para qué dice esto que son mágicos. Para copiar esto exactamente, son una responsabilidad.

La solución es dividir el trabajo. Deje que el modelo comprenda y luego haga que el ser humano haga la única verificación que importa. Ahora leo yo mismo los dígitos críticos y dejo que el modelo se encargue de todo lo que los rodea.

Esto no es una queja. Es un límite. La herramienta es un lector, no un empleado, y tratarla como a un empleado es la forma en que el dinero se mueve a la cuenta equivocada.

Utilice multimodal por el sentido, no por lo específico. Lo esencial es gratis. La línea exacta todavía está en ti, y pretender lo contrario es cómo los pequeños errores se convierten en verdaderos.