多模态模型

多模态模型是一类能够联合处理和理解两种及以上数据模态（如文本、图像、音频、视频等）的人工智能模型。其核心特征在于跨模态信息融合与协同推理，能够建立不同模态之间的语义关联，从而完成图文理解、视觉问答、跨模态生成等任务。与单一模态模型相比，多模态模型更接近人类感知世界的方式，在自然语言处理、计算机视觉及人机交互等领域具有广泛应用。