Modelo multimodal
Un modelo multimodal procesa o genera más de un tipo de información, como texto, imágenes, audio o vídeo
Qué significa, cómo se usa y en qué contexto aparece, con sus conceptos relacionados.
Qué es y cómo funciona
Las combinaciones disponibles dependen del modelo y de la aplicación. Puede ayudar a analizar documentos visuales o interactuar mediante voz e imagen. Su evaluación debe comprobar cada modalidad y las relaciones entre ellas, porque una capacidad no implica competencia uniforme en todas.
Preguntas frecuentes sobre Modelo multimodal
¿Cómo evaluar un modelo multimodal cuando texto e imagen se contradicen?
Incluye casos en los que las modalidades aportan señales incompatibles y define qué respuesta sería aceptable. El sistema debe reconocer la discrepancia o pedir información cuando no puede resolverla, en lugar de elegir una versión sin explicarlo. Prueba cada modalidad y su combinación, manteniendo el contexto de la tarea. Un buen resultado con imágenes claras y textos coherentes no demuestra capacidad para tratar documentos incompletos, audio ambiguo o etiquetas equivocadas.