Multimodal

Un modèle multimodal traite plusieurs types de contenus dans une même interaction — texte et image le plus souvent — sans passer par un pipeline séparé pour chaque modalité.

Exemple d’usage : Pour générer des descriptions de photos, deux pistes ont été comparées : un modèle de vision local dédié au captioning, ou l'appel à une API multimodale externe si un résultat plus robuste était nécessaire.