Un modello multimodale elabora o genera più tipi di dati, come testo, immagini, audio o video. Un vision-language model, o VLM, collega in particolare informazioni visive e linguistiche. Le modalità supportate in ingresso e in uscita dipendono dal sistema.
Esempio pratico
Un assistente legge una fotografia di un’etichetta e ne descrive le informazioni insieme al testo della richiesta.
Cosa tenere presente
Può sbagliare letture, relazioni spaziali e dettagli poco visibili. Il supporto alle immagini non implica capacità equivalenti su video, audio o azioni fisiche.
Termini correlati
Fonte di riferimento: documentazione o ricerca originale. Verificata il 16 ottobre 2026.