什么是多模态大模型：让 AI 同时看懂文字、图片和视频
只会读文字的 AI 已经不够看。多模态大模型能"看图、听声、读文"，正在打开一大批新应用。一文看懂。
早期大模型只能处理文字，而多模态大模型能同时理解文字、图片、音频甚至视频——更接近人类"看听读"结合的认知方式。这是当前 AI 的重要趋势。
一、什么叫"多模态"
"模态"指信息的类型：文字、图像、语音、视频都是不同模态。多模态模型能跨模态理解和生成，比如看一张图回答问题、根据文字生成图片。
二、它能做什么
- 看图说话：描述图片内容、读表格截图、识别界面。
- 文档理解：直接读带图的 PDF、发票、报表。
- 视觉问答：拍张照问"这是什么、怎么修"。
- 跨模态生成：文字生图、图生文、语音转写等。
三、典型应用
手机上的"拍照提问"、无障碍读屏、电商图文自动生成、工业质检、医疗影像辅助阅片……多模态让 AI 从"文本助手"走向"通用助手"。
四、现状与局限
多模态能力进步很快，但在精细识别（如小字、复杂图表）、空间推理上仍有短板，关键场景需人工复核。
结语
当 AI 能同时"看懂"世界的多种信息，它能做的事就指数级增长。多模态，正是通向更通用 AI 的必经之路。