Eine multimodale KI versteht oder erzeugt mehrere Arten von Inhalten, zum Beispiel Text, Bilder, Sprache und Video.
Illustration: KI-generiert · AI Compare Ninja · CC BY 4.0
Beispiel
Sie fotografieren eine Speisekarte, und die KI übersetzt sie und erklärt die Gerichte.
Für Profis
Multimodale Modelle bilden Bilder, Audio und Text in einen gemeinsamen Darstellungsraum ab. Welche Ein- und Ausgaben ein Modell beherrscht, steht in der Dokumentation des Anbieters.
