Multimodalidad

La multimodalidad es la capacidad de un modelo para trabajar con diferentes tipos de datos simultáneamente: texto, imagen, sonido y vídeo. Un modelo multimodal puede ver una foto y describir qué hay en ella, analizar un gráfico de un informe o escuchar una grabación y resumirla. Es una de las direcciones más importantes del desarrollo de la IA, porque el mundo no se compone solo de texto. En la práctica, la multimodalidad significa que puedes subir al chat una captura de pantalla con un error, una foto de un documento o una grabación de una reunión, y trabajar con ellos tan naturalmente como con texto.