Что такое мультимодальность: текст плюс картинки?

Мультимодальная модель принимает не только текст, но и картинки: скриншоты, фото документов, схемы и кадры. Типовые задачи — описание изображения, разбор ошибки по скриншоту, извлечение данных из фото и ответы с опорой на схему.

Перед включением проверяйте карточку модели: какие входы заявлены, какой предел контекста и как считается usage для картинок. Тестируйте на ваших примерах, а не на демо: сжатие, обрезка и лишние мегабайты влияют на результат.