Multimodality
Concepto
Técnico principal
One model, many senses: text, image, audio, video in a single network.
Estás viendo un explicador de concepto: qué significa este término en lenguaje claro, y los registros que conecta.
Modern frontier models are natively multimodal — trained on interleaved text, images and audio so the same weights can watch, listen, read and respond. GPT-4o's real-time voice and Gemini's video understanding mark the shift; robotics VLAs extend it to action. Each added modality multiplies training-data and compute appetite.
Cómo se conecta con el resto del stack
Los enlaces de esta ficha de un vistazo: haz clic en un grupo para ir directamente a él.
Fuentes
Registro revisado a fecha de 2026-01-15 — ver Metodología.