النموذج متعدد الوسائط نموذج يأخذ المدخلات ويجمعها عبر حواس عدة كما يفعل الإنسان: نص وصور وصوت ولقطات شاشة ومخططات — وفي الأجيال الأحدث الفيديو. نقطة التحول العملية في 2024–2026 كانت حين صار «أرسل صورة واسأل عنها» سلوكًا افتراضيًا.
خلف الكواليس: كل وسيط يُخرَج إلى فضاء تمثيل مشترك (تضمينات) حيث يستدلال النموذج وينتج — ولهذا يقرأ المخطط إلى كود ويحوّل لقطة الشاشة إلى قائمة مهام.
قيمة ذلك للمستخدم: حذف خطوة «حوّل ثم انسخ والصق»؛ فصور الفواتير ولقطات أخطاء الطرفية ولقطات السبورة صارت مدخلًا مباشرًا.
