从训练起就统一处理多种模态的模型。
原生多模态像从小在三语环境里长大的孩子：听、说、读随手切换，脑子里不用过一道翻译；拼装出来的那种，是长大后请了三个翻译轮流传话。
看图问答和语音助手更连贯，信息也少在转手时丢失。
Multimodal AI它是实现多模态理解与生成能力的一类模型。
VLMVLM 聚焦图像和语言，而它可原生覆盖更多模态。
Live Multimodal它能为实时语音、画面等混合输入提供统一理解。