多模态模型能做什么:从看图到视频理解

多模态模型的本质是"把图片/音频/视频转成 token 序列,和文字一起交给同一个模型处理"。落地最成熟的是图像理解——OCR、票据单据解析、图表问答、UI 截图走查;音频与视频能力在快速跟进。它不是"更聪明的 …