Мультимодальный ИИ обрабатывает различные формы данных, такие как изображения, звуки и слова, одновременно, позволяя вашим приложениям не только слушать наш голос или читать текст, но и распознавать выражения лиц и окружающие нас детали. Эта технология быстро делает наше повседневное взаимодействие проще и естественнее, и при использовании приложений, с которыми вы можете общаться, возникает ощущение, будто вы разговариваете с друзьями. Первой мультимодальной большой языковой моделью, эффективно работавшей как с текстом, так и с изображениями, стал GPT-4 в 2023 году. Самая последняя мультимодальная модель, GPT-4o Vision, способна создавать невероятно реалистичные взаимодействия.