LATIDIA · Tecnología

Qué es un modelo de IA multimodal y qué puede hacer con imágenes, audio y vídeo

La IA multimodal entiende fotos, audio y vídeo, pero sus fabricantes admiten que cuenta mal y falla con letra pequeña. Qué acepta cada una. La noticia Qué es un modelo de IA multimodal y qué puede hacer con imágenes, aud

La noticia

Haces una foto a una factura arrugada o a un tablero de ajedrez y le preguntas a la IA qué hay en ella. Con la factura tiene a su favor que leer y resumir documentos es uno de sus usos básicos. Con el tablero, la propia OpenAI avisa en su documentación de que sus modelos tienen problemas con la localización espacial precisa y pone ese ejemplo exacto: identificar la posición de las piezas. En resumen: un modelo multimodal es una IA que acepta como entrada algo más que texto (imágenes, audio, vídeo o documentos) y responde sobre ese contenido. Esta guía es para quien ya usa ChatGPT, Gemini o Claude