Мультимодальность
ИИ-модель, работающая с несколькими типами данных: текст + изображение, текст + звук, текст + видео.
GPT-4V, Claude 3+ и Gemini видят изображения. Whisper понимает речь. Sora создаёт видео. Современный ИИ мультимодален: одна модель, которая «видит и слышит», вместо отдельной на каждую задачу.