Çok modlu yapay zeka modelleri, çeşitli medya biçimlerini – metin, görüntü, ses ve video – aynı anda işleyebilme yetenekleriyle büyük dil modellerinin geliştirilmiş versiyonları olarak biliniyor. Örneğin, OpenAI'nin GPT-4 modeli ile kullanıcılar kameralarını açarak çevrelerindeki nesneler hakkında açıklama yapmasını isteyebiliyor. Meta, Chameleon ile benzer bir yetenek setini kullanıcılarına sunmayı amaçlıyor.