Multimodality
概念
主要技術仕様
One model, many senses: text, image, audio, video in a single network.
これはコンセプト解説のレコードです。この用語をわかりやすく説明し、関連するレコードをまとめています。
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.
スタック全体とのつながり
このレコードのリンク一覧 — グループをクリックするとジャンプします。
出典
レコードのレビュー時点： 2026-01-15 — 表示 調査手法.