Multimodalität

Multimodalität ist die Fähigkeit eines Modells, mit verschiedenen Datentypen gleichzeitig zu arbeiten: Text, Bild, Audio und Video. Ein multimodales Modell betrachtet ein Foto und beschreibt seinen Inhalt, analysiert Diagramme aus Berichten oder hört Aufnahmen ab und fasst sie zusammen. Das ist eine der wichtigsten Entwicklungsrichtungen der KI, denn die Welt besteht nicht nur aus Text. In der Praxis bedeutet Multimodalität, dass Sie Screenshots von Fehlermeldungen, Fotos von Dokumenten oder Meeting-Aufzeichnungen in den Chat laden - und damit genauso natürlich arbeiten wie mit Text.