一年前「支持多模态」还是卖点，现在已经是入场券：主流大模型都能看图、听声音、读文档，甚至直接生成视频。

多模态能做什么

• 看图：截图问答、发票识别、图表读数据、UI 走查。
• 听声：会议录音转写、说话人区分、情绪与关键词提取。
• 看视频：把视频总结成文字大纲，或按时间点检索内容。
• 生成：文生图、图生视频、文生音频，一条链路走完。

对普通用户最实用的三件事

1. 用截图提问——比打字描述快得多，尤其是报错信息、表格、设计稿。
2. 会议录音直接丢给 AI 出纪要，配合通义听悟、讯飞听见这类工具。
3. 图片里的文字要复制：直接让多模态模型读出来，比 OCR 工具顺手。

注意

多模态的「看」并不等于「看懂」：图中数字、密集表格、专业图表仍可能看错。涉及金额、比例这类关键数据，务必人工复核。

本文为编辑整理，功能覆盖情况请以各产品官网为准。