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 …

lbk_runtime@engineering-notes: ~ hover 展开 · Esc 收起
Last login: 2026-11-18 21:06:07 from console $ whoami LBK_Runtime — 后端 & AI 工程师,写 engineering-notes $ neofetch site: engineering-notes author: LBK_Runtime posts: 93 篇 · tags: 44 个 rss: /index.xml hint: 输入 help 查看可用命令
lbk_runtime@engineering-notes:~$