多模态说的是AI处理多种信息形式，但支持哪些输入输出、准确到什么程度取决于具体产品。
文字、图片、声音和视频是不同的信息形式，也叫不同模态。一个产品能看图，不代表它一定能生成图片；能听语音，也不代表能准确理解所有口音和环境声。
生活类比
像一个工作台可以接收文字说明、照片和录音，也能交付文字、图片或语音
对应：不同材料=输入模态；分析处理=模型或组合系统；不同交付物=输出模态
这个比方在哪会塌：AI把这些信息转换成数字表示来处理，不等同于人类真正“看见、听见和感受”世界
它防止的误解：防止把多模态理解成无所不能，或把看图、识别和生图当成同一种能力
| 能力 | 例子 |
|---|---|
| 多模态输入 | 读图片、听录音、分析视频片段 |
| 跨模态理解 | 根据照片回答问题，把录音整理成文字 |
| 多模态输出 | 根据文字生成图片、语音或视频 |
| 组合系统 | 先识别图片，再由语言模型解释，再调用工具输出 |
最容易高估的地方
- “看见了就一定看对”——小字、遮挡、角度和专业图像都可能识别错误。
- “生成得逼真就是真实记录”——生成图片和声音可能完全虚构。
- “一个产品支持多模态就样样强”——不同模态和任务的质量可能差异很大。
处理照片、录音和视频还涉及隐私、肖像、声音授权和商业机密。不要为了测试功能上传他人面孔、住址、证件或未公开资料。
最后复核：2026-07-27
AI 领域更新很快，相关工具/价格/规则可能已变化，重要事实请以官方来源为准。