图像与多模态多模态Multimodal也称多模态模型 / VLM / 视觉语言模型同一个 AI 能处理文字、图片、声音等不止一种信息怎么理解“模态”可以先理解为信息形式。文字是一种,图片、声音、视频也是。多模态模型能同时处理其中几种,例如看着图片回答文字问题。举个例子你把冰箱里的食材拍下来,问“这些能做什么晚饭”。AI 需要先看图识别食材,再用文字给建议,这就结合了图像和语言。补充说明能看图不代表能生图,能听语音也不代表能生成视频。具体支持哪些输入和输出,要看模型和应用提供的功能。