大型语言模型正向多模态发展，预计到2028年市场将增长35%至45亿美元。多模态AI能够同时处理文本、图像和视频，应用于技术报告分析和图像搜索等领域。主要模型包括OpenAI的CLIP、Meta的ImageBind和DeepMind的Flamingo，具备强大的数据处理和生成能力。