多模态大语言模型（MLLMs）将视觉编码器与大规模语言模型结合，重新定义了机器对视觉内容的理解方式。这种统一架构让模型在图像描述、视觉问答和多模态对话等任务上表现出色，且往往无需或只需少量示例即可完成任务。凭借通用能力和灵活的交互接口，MLLMs 被视为构建真实世界视觉-语言应用的有前景的基础。
辅助型人工智能（Assistive AI）的目标是帮助用户通过自然语言与周围环境互动。这类场景对稳健的视觉识别、上下文推理以及多语言理解能力提出了较高要求，而这些能力正是人们认为 MLLMs 能够提供的。然而，MLLMs 在辅助场景中的实际效果仍缺乏充分认识。
为此，研究人员开展了一项系统性探索，评估当前最先进的 MLLMs 能否真正支撑辅助型 AI 应用。论文《Are We There Yet? Exploring the Capabilities of MLLMs in Assistive AI Applications》由 Shayon Dasgupta 等三位作者完成，于 2026 年 6 月 23 日提交至 arXiv，属于计算机视觉与模式识别（cs.CV）方向，arXiv 编号为 2606.25084，并关联了 DOI 10.1145/3774521.3774575 等资源链接。
研究的评估任务来自真实世界中的辅助需求，主要包括三类：识别日常物品，例如货币；基于场景文字回答问题；以及跨多种语言阅读视觉呈现的内容。这些任务分别对应辅助场景中对物体识别、文字理解与多语言阅读的核心诉求，能够较全面地反映模型在真实使用环境中的能力边界。
为采集贴近真实使用情境的数据，研究团队开发了一套名为 NetraLink 的系统，使用头戴式 GoPro 相机以第一人称视角（egocentric）记录真实世界画面，并在此基础上构建了覆盖上述辅助场景的基准测试集。这种采集方式强调用户的真实视角，而非实验室中经过整理的标准图像，因此更能检验模型在复杂、动态环境中的表现。
论文的结论并非简单的好坏判断，而是对当前 MLLMs 的一次全面诊断。研究结果既揭示了模型在视觉感知与语言交互方面的优势，也指出了其在支撑辅助技术时的局限性。这些发现为后续改进模型、设计更可靠的辅助型 AI 系统提供了实证依据，也回应了标题所提出的问题：距离真正可用的辅助型多模态 AI，我们究竟还有多远。