Multimodalidade

Multimodalidade é a capacidade de um modelo de trabalhar com diferentes tipos de dados ao mesmo tempo: texto, imagem, áudio e vídeo. Um modelo multimodal pode observar uma foto e descrever o que aparece nela, analisar um gráfico de um relatório ou ouvir uma gravação e resumi-la. Esse é um dos rumos mais importantes do desenvolvimento da IA, porque o mundo não é feito apenas de texto. Na prática, multimodalidade significa que você pode enviar para o chat uma captura de tela com um erro, uma foto de um documento ou uma gravação de uma reunião - e trabalhar com esses materiais com a mesma naturalidade que com um texto.