Multimodality
Concept
Technique de base
One model, many senses: text, image, audio, video in a single network.
Vous consultez une fiche concept : ce que ce terme signifie en langage clair, et les fiches qu'il relie.
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.
Comment cela s'articule avec le reste de la chaîne
Les liens de cette fiche en un coup d'œil — cliquez sur un groupe pour y accéder directement.
Sources
Fiche examinée au 2026-01-15 — voir Méthodologie.