Мультимодальность
Работа модели с несколькими видами данных, например текстом и изображениями. Поддержка входа не обязательно означает генерацию данных того же типа.
На практике
Мультимодальная система может принять фотографию и вопрос о ней или связать текст с аудио. При этом разные модели поддерживают разные сочетания входов и выходов.
Что учитывать
Способность читать изображения не означает способность их создавать. Нужно отдельно смотреть поддерживаемые форматы, ограничения размера и качество на конкретной задаче.