Стоимость и границы мультимодальности

Мультимодальность мощная, но за неё платят. Соображения: изображения и аудио стоят заметно больше токенов, чем текст — на потоке это ощутимо; не всё нужно гнать через флагман (простое распознавание — модель попроще); большие изображения высокого разрешения дороже — уменьшай, если детали не нужны; для повторяющихся картинок помогает кэш. И границы: модель может ошибиться в мелком тексте, цифрах, спецсимволах на фото — критичное проверяй. Мультимодальность окупается там, где ручной труд был дороже. Правило: считай стоимость картинок и аудио заранее, гони простое через дешёвые модели, уменьшай изображения и проверяй важные детали — мультимодальность не бесплатна и не безошибочна.