Modelo multimodal
Un modelo multimodal es un sistema de inteligencia artificial capaz de procesar y combinar varios tipos de datos —texto, imagen, audio o vídeo— en una misma representación. Puede, por ejemplo, describir una foto o responder preguntas sobre un vídeo. La herramienta concreta puede admitir formatos distintos, así que conviene comprobar sus capacidades antes de preparar una tarea.
Actualizado: 14 de septiembre de 2026.
Cómo lo logra
El sistema convierte cada tipo de dato en una representación numérica, llamada incrustación vectorial (embedding). Después coloca esas representaciones en un espacio común para relacionar elementos de significado que llegan en formatos diferentes. Para situar el concepto dentro del glosario, consulta también LLM (Large Language Model / Modelo de Lenguaje Grande), GPT y Gemini.
Un ejemplo ilustrativo
En una herramienta que admita imagen y texto, sube una foto y pide: «Describe lo que aparece con claridad». Después comparte un gráfico o un vídeo y pregunta: «¿Qué información visible debería revisar y qué dato no puedes confirmar solo con este material?». La actividad muestra cómo una instrucción puede relacionarse con contenido visual. Contrasta siempre la respuesta con el original, especialmente cuando hay cifras, texto pequeño o información sensible.
Para qué sirve
Un modelo multimodal puede apoyar la accesibilidad, el análisis de capturas de pantalla, la lectura de gráficos o los asistentes que combinan voz y visión. La visión artificial explica el componente visual; el modelo multimodal puede relacionarlo con texto, audio u otras entradas.
Para seguir aprendiendo, Explorar cursos o Empezar gratis con ChatGPT para Principiantes.