多模态 Multimodal
多模态指模型能同时理解或生成文本以外的多种信息形态,如图像、音频、视频,而不是只处理文字。
当前旗舰模型普遍原生多模态:输入端看图/听音,输出端生成图像(如 GLM-Image、gpt-image)与视频(如 Sora、Veo、可灵)。统一的多模态架构被认为是通往世界模型的重要一步。
相关词条
多模态指模型能同时理解或生成文本以外的多种信息形态,如图像、音频、视频,而不是只处理文字。
当前旗舰模型普遍原生多模态:输入端看图/听音,输出端生成图像(如 GLM-Image、gpt-image)与视频(如 Sora、Veo、可灵)。统一的多模态架构被认为是通往世界模型的重要一步。