Vad är en multimodal AI-modell?

De första språkmodellerna kunde bara läsa och skriva text. En multimodal modell kan också ta emot bilder, ljud eller video och ibland även skapa dem. Den kan till exempel beskriva ett foto, läsa av ett diagram, föra ett samtal med rösten eller förstå vad som händer i ett videoklipp.

De flesta av de stora modellerna från OpenAI, Google och Anthropic är i dag multimodala, åtminstone när det gäller att förstå bilder.