放到你的工作里
给支持看图的助手一张家电按钮照片，请它结合说明书解释按钮用途。
现在，回来看它的意思
能处理文字、图像、音频等多种信息形式，具体能接收什么、能生成什么，要分别查看。
但别这样理解
能看图不等于能生成图；图片细节、计数和文字识别也可能出错。
想再了解一点
What are foundation models?官方参考查阅于 2026-09-09 · 类比和例子为本站原创解释。
Multimodal
像沟通时既能看说明又能看图片，但不一定还能画图或唱出来。
给支持看图的助手一张家电按钮照片，请它结合说明书解释按钮用途。
能处理文字、图像、音频等多种信息形式，具体能接收什么、能生成什么，要分别查看。
能看图不等于能生成图；图片细节、计数和文字识别也可能出错。
官方参考查阅于 2026-09-09 · 类比和例子为本站原创解释。