基础概念更新于 2026-10-24
多模态
模型能同时处理文本、图像、音频、视频等多种输入或输出。
#多模态#图像#视频#语音
通俗解释
多模态模型可以看图回答、读图写代码、根据文字生成图片或视频。不同模型支持的模态不同,使用前要确认输入类型、分辨率和输出格式。多模态能力常与 OCR、语音识别、视频生成结合。
例子
上传一张财报截图,让模型提取表格并解释关键指标。
模型能同时处理文本、图像、音频、视频等多种输入或输出。
多模态模型可以看图回答、读图写代码、根据文字生成图片或视频。不同模型支持的模态不同,使用前要确认输入类型、分辨率和输出格式。多模态能力常与 OCR、语音识别、视频生成结合。
上传一张财报截图,让模型提取表格并解释关键指标。