AI 百科词条

多模态（Multimodal）是什么？

能同时理解文字、图片、音频、视频的 AI。你可以发截图问「这报错什么意思」。

一句话说清楚

多模态模型打破「AI 只懂文字」的限制：发一张设计稿让它评改、拍一张菜谱让它教做菜、上传一段会议录音让它出纪要。理解与生成是两件事——很多模型能「看懂」图片，但不能「生成」图片，看产品说明时要把这两项分开核对。

你的任务里如果有截图识别、图纸理解、音视频分析，必须选多模态产品。生图、文生视频属于「生成侧」能力，与「理解侧」是不同的工具类别，别混为一谈。

多模态≠全模态：宣称支持图片的工具可能只支持英文 OCR，中文场景一定用自己的真实素材实测。

AI 做短视频：文案、素材、剪辑一站搞定

把「主题 + 时长 + 平台」说清楚，AI 产出脚本、分镜、配音与字幕，按需组合流水线。

AI 读论文：速读、问答到文献综述

先让 AI 产出结构化摘要（问题/方法/结论），再针对公式与实验细节追问，支持引用溯源的工具可信度更高。

AI 做旅行攻略：行程、预算、避坑一次排好

说清天数、预算、偏好，AI 出逐日行程表，你只负责按真实交通与评价微调。