Multimodal
Modelo de IA que maneja varios tipos de datos: texto + imagen, texto + audio, texto + vídeo.
GPT-4V, Claude 3 en adelante y Gemini ven imágenes; Whisper transcribe voz; Sora genera vídeo. El rumbo actual del sector es multimodal: un solo modelo que «ve y oye», en lugar de un modelo especializado por tarea y un pegamento frágil entre todos ellos.