多模态 AI 可以处理多种信息，也就是多种“模态”，例如文字、图片和音频。普通的纯文本工具主要接收和输出文字；多模态工具还可以描述照片或回应语音。

例如，你可以向 AI 展示一张令人困惑的应用界面截图，并询问按钮看起来有什么作用。它会把图像和你的问题一起作为输入。

AI 仍可能误解看到或听到的内容。请自行核实重要细节，尤其是模糊的图像或不清楚的录音可能改变答案时。