多模態 AI 可以處理多種資訊，也就是多種「模態」，例如文字、圖片和音訊。一般純文字工具主要接收並輸出文字；多模態工具還可能描述照片或回應語音。

例如，你可以向 AI 展示一張令人困惑的應用程式畫面，詢問按鈕看起來有什麼作用。它會把影像和你的問題一起作為輸入。

AI 仍可能誤解看到或聽到的內容。請自行核實重要細節，尤其是模糊影像或不清楚的錄音可能影響答案時。