Glossar · AIZuletzt aktualisiert: 7. August 2026

Was ist Multimodal Large Language Model?

Nicht nur mit Text; Dabei handelt es sich um fortschrittliche Modelle der künstlichen Intelligenz, die verschiedene Arten von Daten wie Bild, Audio und Video gleichzeitig verarbeiten können.

Definition

Während sich herkömmliche Modelle der künstlichen Intelligenz im Allgemeinen nur auf Text konzentrieren, nehmen diese Modelle die Welt auf unterschiedliche Weise wahr, ähnlich wie Menschen. Sie können verschiedene Arten von Daten gleichzeitig analysieren und Verbindungen zwischen ihnen herstellen. Sie können beispielsweise ein Foto untersuchen und einen ausführlichen Text dazu verfassen oder eine Sprachaufnahme analysieren und deren Inhalt zusammenfassen.

Analogie: Es ist wie der Unterschied zwischen einem Schüler, der nur Texte lesen kann, und einem Schüler, der sowohl Bilder ansehen als auch Musik hören kann; Diese Modelle verstehen die Welt aus einer viel umfassenderen Perspektive.

So funktioniert es

Diese Modelle nutzen spezielle Schichten, die unterschiedliche Datentypen in eine gemeinsame numerische Sprache umwandeln. Auf diese Weise kann das Modell, wenn es ein Bild einer Katze sieht, seine Textdaten im selben mentalen Raum abgleichen.

Wo es eingesetzt wird

Es wird in Anwendungen zur Bildanalyse, Sprachassistenten und professionellen Tools verwendet, die eine komplexe Datenanalyse erfordern.

Häufig verwechselt mit

Es kann mit Standard-KI-Modellen verwechselt werden, die nur textorientiert sind.

Häufige Fragen

Ist jedes multimodale Modell eine künstliche Intelligenz?

Ja, diese Modelle sind eine der fortschrittlichsten und vielseitigsten Formen der KI-Technologie.

Warum heißt es „multimodal“?

Weil das Wort „Modus“ hier den Datenkanal darstellt; Diesen Namen erhält es, weil es mehrere Kanäle wie Text, Audio und Video gleichzeitig nutzen kann.