多模态（Multimodal）指一个 AI 模型能同时处理文字、图片、声音、视频等不止一种数据形式，把它们放在一起理解或生成。它解决的是单一输入的局限：过去你得先把一张图描述成文字才能提问，多模态让你直接把图和问题一起发过去，模型两样都读得懂。
一句话定义
多模态就是”一个模型，多种输入和输出”。纯文本模型只吃文字、吐文字；多模态模型能接收文字加图片，或文字加音频，再用文字或图片回答你。重点不在于它支持几种格式，而在于能不能把不同格式的信息关联起来，比如看着一张图回答图里的内容。
一个例子
最直观的例子是截一张报表图，直接问”哪个季度掉得最多”。你可以在 Google Gemini 这类工具里看到这种用法，上传文件后用自然语言提问，模型读图再回答，你不用手动把图里的数字抄成文字。要记住它的一个真实限制：官方说明大文件分析可能遗漏分散在各处的细节，所以关键结论最好回看原文核对。
和相近概念的区别
多模态和”功能多”不是一回事。一个产品既能画图又能写字，如果这两件事互不相通，那只是功能多，不叫多模态；多模态强调同一个模型把不同形式的信息放进同一次理解里。它的范围也比”跨模态生成”（比如文字生成图片）更宽，跨模态生成只是多模态的一种表现，多模态既管输入侧的多种格式，也管输出侧。
什么时候用得上
当你的问题本身就横跨好几种材料，多模态最省事。比如手里有一份文档、一张图和一个问题，想让 AI 一起看。Microsoft Copilot 这种嵌在办公套件里的工具就适合这个场景，把文件和提问放在一起处理。用之前先避开一个坑：它的产品名称相近，个人版、应用内版和组织版的账户权限容易混淆，功能可能对不上你以为的版本。还有一点，重要答案仍然需要你自己独立核验，模型读了多种材料不等于结论一定对。
