Olyan modell, amely többet kezel, mint szöveget — képeket, hangot, PDF-eket, képernyőképeket. Megmutathatsz neki egy fotót egy flipchartról, és megkérdezheted, mit jelent az ábra.
Miért számít: a valós üzleti információ jelentős része nem szöveg (számlák, szkennelt dokumentumok, képernyőképek, hívásfelvételek). A multimodális modellek mindezt elérhetővé teszik.