多模態

多模態是指同一個 AI 模型能同時吃進文字、圖片、聲音、影片這幾種不同形式的資料，再一起推理、一起輸出。這篇用棒球轉播的比喻、CLIP 與 LLaVA 的實際做法，帶你分清楚原生多模態跟外掛拼接的差別。