大模型从纯文本发展到多模态，是一个重要的能力跃迁。AI不只是能读文字，它现在能看图片、读图表、理解视频。

一、多模态能做什么

你上传一张商品图片，AI描述它的特征并生成文案。你拍一张化验单，AI提取指标并解释异常值。你截一个网页截图，AI分析布局和内容。这些场景在纯文本模型时代做不到。

对于电商和内容行业，多模态能力价值很大——商品图自动生成描述、用户上传图片自动搜索相似商品。

二、能力边界

但多模态模型还做不到精细视觉分析：数清楚图中有几个物体、精确测量角度、复杂图表的完整数据提取。这些仍然需要专业计算机视觉模型。

视频理解也有限：几分钟以内的视频AI能总结，超过十分钟细节开始丢失。

三、未来方向

多模态是AI走向物理世界的必经之路。纯文本AI只能处理数字世界的信息，多模态AI才能理解视觉世界。随着能力提升，多模态会成为大模型的标配。