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。
世界模型（World Model） World Model
在内部建模「环境如何演变」，能预测下一个状态而不只是下一个词。自动驾驶、机器人与视频生成都靠它做长时程规划与场景推演。
相关术语
视频生成模型
用文字或图片生成视频片段的模型（Sora、可灵、Runway 等）。目前实用场景集中在短片、广告素材与分镜预演，长镜头一致性与物理合理性仍是难点。
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。