模型
Omni-Modal Model
能统一处理文本、图像、音频、视频等多种模态输入并生成多模态输出的模型。
详细解释
全模态模型在统一架构中编码与对齐多种感知信号，可跨模态理解与生成，如看图说话、语音对话、视频问答。相比只支持图文的双模态模型，它强调任意模态到任意模态的转换，代表工作有 GPT-4o、Gemini 等，是迈向通用人工智能的重要形态。
别名与相关写法
omni modal model
能统一处理文本、图像、音频、视频等多种模态输入并生成多模态输出的模型。
全模态模型在统一架构中编码与对齐多种感知信号，可跨模态理解与生成，如看图说话、语音对话、视频问答。相比只支持图文的双模态模型，它强调任意模态到任意模态的转换，代表工作有 GPT-4o、Gemini 等，是迈向通用人工智能的重要形态。