多模态模型像人一样通过多种「感官」接收并组合输入:文本、图像、音频、截图、图表——新一代还包括视频。2024–2026 年的实用转折点是「发图并提问」成为默认行为。幕后机制:每种模态都被映射到共享表示空间(嵌入),模型在该空间上推理与生成——因此它能从图表读出代码、把快照变成待办清单。对用户的真正价值是消灭「转换后复制粘贴」这一步:发票照片、终端报错截图、白板随拍都成为直接输入。