Mientras que las métricas objetivas de las calles derivadas de imágenes o GIS se han convertido en estándar en la analítica urbana, siguen siendo insuficientes para capturar las percepciones subjetivas esenciales para un diseño urbano inclusivo. Este estudio presenta un novedoso Marco de Evaluación Multimodal de Calles (MSEF) que fusiona un transformador de visión (VisualGLM-6B) con un modelo de lenguaje grande (GPT-4), permitiendo una evaluación dual interpretativa de los paisajes urbanos. Aprovechando más de 15,000 imágenes de vista de calle anotadas de Harbin, China, ajustamos el marco utilizando Adaptación de Bajo Rango (LoRA) y P-Tuning v2 para una adaptación eficiente de parámetros. El modelo logra una puntuación F1 de 0.863 en características objetivas y un 89.3% de acuerdo con las percepciones agregadas de los residentes, validado en geografías socioeconómicas estratificadas. Más allá de la precisión de clasificación, el MSEF captura contradicciones dependientes del contexto: por ejemplo, el comercio informal aumenta la vitalidad percibida mientras reduce simultáneamente la comodidad del peatón. También identifica patrones no lineales y semánticamente contingentes, como los efectos perceptuales divergentes de la transparencia arquitectónica en zonas residenciales y comerciales, revelando los límites de las heurísticas espaciales universales. Al generar razones en lenguaje natural fundamentadas en mecanismos de atención, el marco conecta datos sensoriales con inferencias socio-afectivas, permitiendo diagnósticos transparentes alineados con el Objetivo de Desarrollo Sostenible 11 (ODS 11). Este trabajo ofrece tanto innovación metodológica en el modelado de la percepción urbana como utilidad práctica para sistemas de planificación que buscan reconciliar la precisión infraestructural con la experiencia vivida.