多模态大模型发展迅速，代表性模型包括：NExT-GPT可任意组合生成文本、图像、视频和音频；SpeechGPT具备语音与文本跨模态对话能力；MultiModal-GPT支持多模态指令连续对话；ShapeGPT处理文本到形状生成与编辑；AnyMAL统一推理文本、图像、视频、音频和运动信号；PandaGPT连接视觉与听觉进行跨模态生成；AudioGPT处理语音、音乐和声音任务；MotionGPT用多模态信号生成人体动作；MV-GPT实现多模态视频说明生成。