پرش به محتوای اصلی

جست‌وجو در مدل‌ها، ابزارها، سرویس‌ها، شرکت‌ها، ارائه‌دهندگان، APIها، پلن‌ها، مقالات و اخبار.

معماری و مدل‌ها

چندوجهی

Multimodal

چندوجهی

مدلی که علاوه بر متن، تصویر و صدا و ویدیو را هم می‌فهمد یا تولید می‌کند — مثل Gemini که می‌تواند یک نمودار را ببیند و درباره‌اش توضیح دهد.

مدل چندوجهی (Multimodal) مدلی است که مثل انسان، ورودی‌ها را از چند حس می‌گیرد و ترکیب می‌کند: متن، تصویر، صدا، اسکرین‌شات، نمودار — و در مدل‌های نسل جدید، ویدیو. نقطه‌ی عطف عملی ۲۰۲۴-۲۰۲۶ جایی بود که «تصویر بفرست و درباره‌اش بپرس» به رفتار پیش‌فرض تبدیل شد.

پشت صحنه: هر مدالیته به فضای نمایش مشترک (امبدینگ) نگاشت می‌شود و مدل روی همان فضای واحد، استدلال و تولید می‌کند — به همین دلیل می‌تواند از نمودار، جدول کد دربیاورد یا از عکس‌العمل، دستور کار.

برای کاربر: ارزش واقعی آن حذف مرحله‌ی «تبدیل و کپی‌پیست» است. عکس فاکتور، اسکرین‌شات خطای ترمینال و عکس برداری همه ورودی مستقیم می‌شوند.

بازگشت به واژه‌نامه