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.
