LLM multimodale
Un LLM che riceve (ed eventualmente genera) più del solo testo: immagini, audio, video. Standard nei modelli di frontiera dal 2024 in poi.
Architetture tipiche: (1) early fusion — ogni modalità diventa token mescolati nello stesso transformer (GPT-4o, Gemini); (2) late fusion — un encoder visivo separato (in stile CLIP) produce embedding proiettati nello spazio di input dell'LLM (LLaVA, IDEFICS, Claude). Usi: lettura di screenshot, revisione di design, riassunto di video, «descrivi questo per l'accessibilità». La fusione audio permette assistenti vocali senza un passaggio separato di speech-to-text.