多模态

模型同时接收文字、图片、音频等不同形式的信息，并用同一套系统理解和产出这些内容的能力形态。

职场里的输入大量是截图、扫描件和会议录音，能看懂图意味着你可以把原始工作材料直接交出去处理，省掉手工转录。

像从只会读文字的员工，变成同时看得懂图纸、听得清口述的通才——同一份材料，用眼睛看和用耳朵听都能明白。

把报错截图和代码一起贴给 Claude 让它定位问题，或用 ChatGPT 读你拍下的报销单照片再整理成一张表格，图像输入直接替代了手工录入。

• 误解：能上传图片就等于多模态了。 事实：上传后可能只做了文字识别，图像层面的推理能力与读纯文字不是一回事。

• 误解：它看图和你看图一样。 事实：它主要在估计布局和内容，对小字、密集图表和精确空间关系的判断仍会出错。

• 误解：多模态模型能直接生成视频。 事实：多数只生成图片，音视频生成需要另外的专用模型和产品。

• 误解：视觉强就适合做精密设计。 事实：涉及尺寸、公差、工程图的判断一旦出错代价很高，必须由专业人员复核。

• 大模型用海量文本训练出的巨型神经网络，靠「看着上文预测下一个词」生成连贯自然的文字。
• 嵌入（向量表示）把文字、图片等对象映射成一串能衡量语义距离的数值，意思越接近，这串数值在空间里就靠得越近。
• 开源与闭源闭源指权重不公开、只能走官方服务；开源指权重可下载，可本地部署或微调，按许可证约定使用。