詳細解釋
指能同時處理文本、圖像、音頻、視頻等多種模態輸入輸出的統一模型，與專注單一模態的模型相對。
代表模型包括：
- GPT-4o：OpenAI 第一個真正的原生多模態模型，同一神經網絡處理文本、語音、圖像，而非分開的編碼器
- Gemini：Google 的「從一開始就為多模態設計」的模型家族
- Qwen-VL、LLaVA：開源視覺語言模型
技術路線：
- 早期：各模態獨立編碼器 + 投影對齊（如 Flamingo）
- 現代：統一 Transformer，所有模態 token 化後混合訓練
- 未來：原生多模態預訓練，從頭就接觸交錯的文本、圖像、視頻
應用場景：視頻理解（分析 YouTube 視頻內容）、實時語音助手（同時看見攝像頭畫面）、具身智能（機器人同時處理視覺、聽覺、本體感受）。
挑戰在於模態間的對齊、訓練數據的稀缺（成對的多模態數據遠少於純文本），以及計算成本。