2026年9月，多模态成为大模型竞争的主战场。Qwen3.8-Omni-Flash支持文本+图像+音频+视频输入，1M上下文；Gemini 3.8 Flash集成Lyria 3.5音乐模型；GPT-6 Astra支持计算机操作。

模态扩展

  • 视觉：图像理解已标配
  • 音频：语音识别+音乐生成
  • 视频：视频理解+生成
  • 动作：计算机操作（computer use）

纯文本模型正在成为历史，全模态是标配。