Multimodal Model（多模态模型）

能在同一系统中处理文字、图片、音频、视频等多种信息形式，并让它们相互配合。

多模态模型将不同模态编码到可交互的表示空间，通过联合训练、对齐或跨注意力完成理解和生成。

各模态先被切分和编码，再通过共享 Transformer 或连接模块融合；输出可由文本或专用解码器生成。

需要分别评测 OCR、空间关系、时间连续性、语音噪声和跨模态引用，不能只用文本基准推断整体能力。