多模态

多模态（Multimodal）指的是 AI 能同时处理多种"模态"的信息——文字、图片、声音、视频，而不是只会其中一种。

早年的模型是"偏科生"：LLM 只懂文字，Diffusion 只懂画画。多模态要做的是把它们打通，让一个模型既能看图又能说话还能听声。比如你拍张菜市场的照片问"这俩菜怎么做"，它得先"看见"图，再组织语言答你——这背后是视觉和语言两套能力接在了一起。

它是 AIGC 往"全能"走的关键一步。纯文字的 LLM 像只会读书的人，多模态模型像长了眼睛耳朵的人，能直接理解真实世界。现在很多旗舰模型都标榜"原生多模态"，意思是生来就能处理多种输入，而不是后期硬拼。

和 Diffusion 的区别：Diffusion 专注"出画面"，多模态更像一个"全感官"框架，可以把画图、听声、对话都包进去。