Multimodality
Conceito
Técnico Central
One model, many senses: text, image, audio, video in a single network.
Está a ver um explicador de conceito: o que este termo significa em linguagem acessível, e os registos que relaciona.
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.
Como este elemento se liga ao resto da stack
As ligações deste registo num relance — clique num grupo para ir diretamente até ele.
Fontes
Registro revisado em 2026-01-15 — ver Metodologia.