多模态

多模态模型能处理不止一种数据：文本之外还有图像、音频或视频。你可以给 ChatGPT 看一张照片并提问，用语音口述提示词，或把视频交给 Gemini 分析——都通过同一个界面。

多模态正在悄然重塑本目录中的每个品类：助手能看懂你的截图，视频生成器理解静态图，音频模型能从样本克隆声音。它还解锁了纯文本系统无法企及的无障碍场景——为视障用户描述图像、为语音生成字幕。