眼见不等于决策：多模态大模型能否胜任CEO角色

arXiv 发布研究，提出多模态基准 C-SUITEBENCH，将九种前沿模型置于 CEO 角色，在 50 个场景中完成五项决策任务。多模态输入一致提升基于证据的推理，尤其在风险预测和董事会陈述中，但九种模型在分配约束资源时表现均下降，归因于信号拥挤。

此前高管决策基准仅限纯文本，无法评估模型整合视觉证据的能力。本研究首次系统揭示多模态输入对高风险决策的双刃剑效应，挑战了'信息越多越好'的直觉，为多模态代理在真实业务中的应用提供警示。

多模态输入增强模型对视觉证据的理解，提升基于证据的推理；但同时引入多个信号通道，导致解码时约束满足能力下降，出现信号拥挤。视觉感知与约束行动是可分离的瓶颈，盲目增强视觉信息会干扰资源分配等约束型任务。

对依赖多模态输入的高风险决策产品（如金融风控、管理辅助）提出警示，需谨慎设计视觉信息接入，避免过度集成降低决策质量。模型在资源分配类任务上的退化意味着现有产品功能需针对性优化。

• 开发选择性视觉接地策略，评估不同视觉通道对任务的实际贡献，过滤冗余信号。
• 在资源分配类任务中，提供纯文本和视觉模式切换，供用户根据任务类型选择。
• 针对高风险决策场景，设计多模态决策的可解释性界面，展示视觉证据如何影响决策。

• 研究中的多模态输入是否模拟真实商业环境下的数据噪声和不确定性？
• 不同模型架构对信号拥挤的抵抗力是否存在差异？
• 选择性接地策略在实际应用中的效果是否有实证支持？
• 视觉信息对风险预测的提升是否可转化为实际商业收益？