AI 术语
多模态是什么意思？ Multimodal 大白话解释
Multimodal · 基础概念
一句话解释
一个模型能同时处理文字、图片、声音、视频等多种形式的内容。
打个比方
以前只会读文字的助手，现在既能看，又能听，还能说。就像从「只能收发短信」升级成「能视频通话」。
为什么你需要懂
你要判断一个工具能不能做这件事：拍张照问问题、识别发票、看图改图、听录音写纪要——这些都是多模态能力。
常见误解
以为多模态就是样样精通。很多模型是文字强、图像弱，具体能力要单独看，别只看宣传。
常见问题
多模态是什么意思？
一个模型能同时处理文字、图片、声音、视频等多种形式的内容。
多模态需要学会吗？
你要判断一个工具能不能做这件事：拍张照问问题、识别发票、看图改图、听录音写纪要——这些都是多模态能力。