多模态（Multimodal）
模型能同时理解或生成多种类型的信息（文字、图片、音频、视频）。拍照解题、语音对话、看图写文案，都是多模态能力的体现。
视觉语言模型（VLM） Vision-Language Model
同时理解图像与文字的模型（GPT 视觉版、Claude、Qwen-VL 等）。能读截图、表格与图表并回答，是「拍张照片问 AI」和计算机操作类 Agent 的基础。
相关术语
计算机使用（Computer Use）
让 AI 直接操作图形界面（看屏幕、点鼠标、敲键盘）来完成任务，不依赖对方提供 API。能力上限高但更慢也更易错，适合没有接口的遗留系统。
大语言模型（LLM）
用海量文本训练出来的超大规模神经网络，通过预测“下一个词”学会语言、知识与推理，ChatGPT、Claude、Gemini 背后都是 LLM。