LLM multimodal
LLM que recibe (y en algunos casos genera) algo más que texto: imágenes, audio, vídeo. Estándar en los modelos de frontera desde 2024.
Arquitecturas típicas: (1) early fusion — todas las modalidades se convierten en tokens que se mezclan dentro del mismo transformer (GPT-4o, Gemini); (2) late fusion — un encoder de visión independiente (al estilo CLIP) genera embeddings que se proyectan al espacio de entrada del LLM (LLaVA, IDEFICS, Claude). Usos habituales: leer capturas de pantalla, revisar código a partir de diseños, resumir vídeo, "describe esto pensando en accesibilidad". La fusión de audio permite construir asistentes de voz sin un paso separado de speech-to-text.