为什么手机 AI 需要”眼睛”和”嘴”
先说两个真实场景。场景一：你在国外餐厅拿到一份全英文菜单，想快速知道每道菜大概是什么、哪道不辣——一个个单词查翻译 App 太慢了。场景二：你在开车或做饭，双手腾不出来，但想让 AI 帮你查个事、回个消息——打字不现实。
这两个场景的共同点是：文字输入不是最优解。这时候 AI 需要”眼睛”（看懂图片里的文字和场景）和”嘴”（听你说话、把答案念出来）。这次实测的就是 LM Station 的这两项能力：视觉智能（Visual Intelligence）与语音。LM Station 是 iPhone、iPad、Mac 通用的 AI 工作台（官方称之为”个人版 LM Studio”），聚合 20+ 云端模型；据开发者介绍，LM Station 累计下载已突破 100 万。
先看官方对视觉能力的定义，一句话：”Advanced image analysis with OCR, scene understanding, and visual conversations”——高级图像分析，包含 OCR 文字识别、场景理解、视觉对话三个层次。下面按这三个层次逐个实测。
实测一：拍照识字（OCR）——菜单、白板、收据
OCR 是最刚需的视觉能力：把图片里的文字抠出来变成可编辑、可提问的文本。实测方法很直接：在 LM Station 的对话输入框点加号，拍照或从相册选一张带文字的图片发出去，然后直接问。
我试了三种典型图片：餐厅菜单（中英混排，字号不一）、会议白板（手写字 + 潦草箭头）、购物小票（窄长条、字小且密集）。体验下来，印刷体基本是”拍完即得”：菜单的中英文菜名都能准确提取，还能接着问”哪几道是辣的，帮我标出来”——注意这个追问很关键，OCR 之后紧接着的是理解，而不只是转文字。手写白板的字迹工整时可用，龙飞凤舞的连笔字会丢字，这点要实话实说：目前所有手机 AI 的 OCR 对潦草手写的表现都差不多，别指望它读懂你医生开的处方。
一个实用细节：OCR 之后不要停在”转文字”。我的常用连招是：拍照 → 让它提取文字 → 紧接着问”把这张小票按类别汇总金额”或”把白板上的待办整理成清单”。LM Station 的视觉对话是连贯的，图片发进对话后，后续追问都带着图片上下文，不用重复上传。
图注：LM Station 主聊天界面。视觉与语音的入口都集中在输入框：加号可拍照或添加图片附件，麦克风图标为语音输入，图片发进对话后可连续追问。
实测二：看图说话（场景理解）——它不只认识字
OCR 解决”图里有什么字”，场景理解解决”这张图在讲什么”。我拍了一张开放式厨房的照片问它：”这张图里有哪些安全隐患？”它的回答提到了台面上的刀具摆放、燃气灶旁的纸巾——这种回答不是 OCR 能给的，它需要理解物体之间的空间关系和常识。
再试一个更实用的：把衣柜拍一张发过去，问”用这几件衣服搭三套通勤穿搭”。它能认出衣服的款式和颜色，给出搭配建议。这种”看图给建议”的用法，本质是把视觉模型当成一个”有眼睛的参谋”：装修时拍墙面问配色、买二手时拍物品问成色、做 PPT 时截图问排版问题。
需要提醒的边界：场景理解是”辅助判断”，不是”专业鉴定”。让它看皮肤照片问诊、看电路图做施工指导，这类高风险场景一律不建议——它的训练数据里没有你的专业资质，出错的代价你付不起。
实测三：语音对话——输入用嘴，输出也能用”嘴”
语音能力分两半：语音输入（你说它听）和语音输出（它念给你听）。LM Station 的对话输入框右侧有麦克风图标，点一下直接说话转文字——开车、做饭、走路时想查事情，不用停下来打字。实测中英文混说也能识别，语速正常、不吞字的情况下可用性不错。
另一半是输出：设置页的 Models 分区里有一个 “TTS Model”（语音合成模型）配置项，说明 App 支持把回答朗读出来。配合语音输入，完整链路就是”说话问、语音答”——适合眼睛不方便看屏幕的场景：开车听它念导航补充信息、睡前听它念一段总结。见下图。
图注：LM Station 设置页。底部导航有独立的 Vision（视觉）入口；Models 分区可见 TTS Model 配置项——回答支持语音朗读，配合输入框的麦克风实现”说话问、语音答”。
三个实用技巧
- 技巧一：拍照时多给一点上下文。只拍菜单的一角，它只能读出那一角；把整页拍全、光线打足，OCR 和理解的质量会高一个档次。拍完先让它”描述一下这张图里有什么”，确认它看对了再问细节——这是个便宜又有效的校验动作。
- 技巧二：视觉 + 知识库是绝配。比如把产品说明书拍照识别成文字，再导进知识库长期追问。视觉负责”把纸面信息数字化”，知识库负责”长期记住并回答”。知识库的详细玩法可以看今天的姊妹篇：RAG 知识库实测。
- 技巧三：换模型试试同一个问题。LM Station 里聚合了 20+ 云端模型（GPT、Claude、Gemini、Qwen、DeepSeek 等），视觉理解能力各家有差异：同一张图换两个模型各问一遍，有的细节描述更准，有的建议更实用。横向对比的方法见这篇多模型聚合实测。
它的边界：这三种情况别指望它
第一，潦草手写和极端拍摄条件。手写连笔、强反光、严重抖动的照片，OCR 会丢字错字——先重拍一张，比追问十遍管用。第二，高风险的专业判断。看病、看电路、看法律文书，AI 的视觉理解只能做参考，不能做决策。第三，隐私照片三思再传。身份证、银行卡、人脸特写这类照片，能不拍给 AI 就不拍；确实需要处理含敏感信息的图片时，考虑搭配 LM Station 的本地模型在断网环境下使用，数据不出手机。
适合谁 / 不适合谁：我的结论
适合这三类人：一是经常和”纸面信息”打交道的人——学生拍白板、打工人拍会议材料、海淘党看外文说明书，拍照识字能省下大量转录时间；二是双手经常被占用的人——开车、做饭、带娃时，语音输入+朗读是最省事的 AI 使用方式；三是需要”看图参谋”的人——装修、穿搭、选品，先拍一张让 AI 给第一轮意见。
不太适合的人：如果你 99% 的 AI 使用都是坐在电脑前打字，视觉和语音对你只是锦上添花；以及对识别准确率要求 100% 的场景（比如合同关键条款的转录），OCR 结果必须人工逐字核对——它是个效率工具，不是公证处。
值不值得试：值得。尤其推荐先试”拍一张身边带字的东西让它读出来”——十秒钟就能验证效果。App Store 搜索 LM Station 免费下载，官网 lmstation.ai 有完整功能介绍和截图。想给 AI 配一个”长期记忆”的，可以接着看姊妹篇：RAG 个人知识库实测。
利益相关：LM Station 为本站团队开发的产品，本文为官方分享。
