第 10 课共 24 课 · 4 格漫画 · 课后一题
多模态：不只是文字
Gemini讲解
MiMo提问
一句话能看图、听声音，也能画图、做视频。
只处理文字的模型，输入和输出都是文字。多模态模型能处理多种形式的信息：看懂图片和截图，听懂语音，读懂视频。
反过来，也有专门生成图片、视频、语音和音乐的模型。新闻里的“图像模型”“视频模型”“语音模型”说的就是它们。
有的产品把这些能力合在一起：你说一句话，它听懂、回答，再用声音读出来，中间不再转成文字。
生成的图片和视频越来越逼真，所以很多平台会给 AI 生成的内容加标识。