基础概念

多模态

Multimodal

同一个模型能同时处理文字、图片、音频、视频。

又称 Multimodal 多模态模型

本词条最后核验 2026-11-21 · 由本站编辑整理,欢迎指正

01 详细解释

主流做法是把图片切成视觉 token,和文字 token 拼进同一个上下文,让注意力机制一起处理。所以「看图」的能力上限仍受上下文窗口限制:一张高分辨率截图可能吃掉几千 token。

实用场景:截图读表格、看设计稿写前端、识别发票与单据、视频抽帧做摘要。图片越清晰、越少无关区域,效果越稳。

02 什么时候会碰到它
刚上手大模型、看文档或教程时

这些词几乎出现在每一篇入门材料里:token 决定成本,上下文窗口决定能塞多少,幻觉决定你敢不敢直接信。先把它们认全,后面读选型、读架构才不卡壳。

03 和这几个词怎么区分
04 接着读这几篇
05 用得到的工具

下面这些站点来自 AI 导航(nav.ppv9.com)的同一份工具清单,按本词条的相关度挑选。

小7分享网 · 聚焦 AI 的实用博客

每天一篇,跟进 AI 行业动态、实测新工具、拆解实战教程。不堆术语,不炒概念,只写真正用得上的内容。

浏览全部文章关于本站

欢迎回来

登录 小7分享网,继续你的精彩

还没有账号?立即注册

忘记密码 ?

创建账号

注册后即可体验完整功能

已有账号?直接登录

我们将发送一封验证邮件至你的邮箱, 请正确填写以完成账号注册和激活