สรุป: Multimodal AI สำหรับงานจริง

ไม่ใช่ resolution และ sampling ทำให้รายละเอียดหาย ระบบอาจย่อภาพ เลือกเฟรม หรือแปลงเสียงก่อนประมวลผล

เทียบตำแหน่งในภาพและตรวจยอด เลข จุดทศนิยม และตัวอักษรคล้ายกันเป็นจุดผิดพลาดที่มีผลสูง

หัวคอลัมน์ หน่วย หน้า footnote และผลรวม layout และหมายเหตุเป็นส่วนหนึ่งของความหมายตาราง

ผู้พูด timestamp และช่วงไม่แน่ใจ สิ่งเหล่านี้ช่วยกลับไปฟังและไม่เปลี่ยนผู้พูดหรือมติ

ข้ามเหตุการณ์สั้น เฟรมที่ระบบเลือกอาจไม่ครอบคลุมทุกช่วงจึงต้องตรวจ timestamp สำคัญ

perception/extraction กับ reasoning การแยกชั้นทำให้แก้สาเหตุถูกและเห็นว่าหลักฐานถูกอ่านหรือไม่