[image] 

识别图片中的文字，禁止访问互联网 

我试了手头的几个 AI，全都全军覆没，表现比较优秀的是 glm5v，识别出来的是：生活本就沉闷, 但用耳朵听, 就会有声音。Opus5 认为这是小篆。 
我想起了前段时间看到的 baby-vision，感觉多模态还是任重而道远的。