待验证60% 置信事实精确时间
GPT-4V、Gemini 1.5等多模态模型将AI Agent的感知能力从纯文本扩展至图像、音频、视频及结构化数据
2
来源数
60%
置信度
中期 (~90 天)
时效性
2026/7/17
首次发现
有效期至：2026/10/15
来源
相关事实
待验证GPT-4o、Claude 3 等多模态模型使 Agent 能够理解和生成图像、解析音频内容81% 相似已验证GPT-4V、Claude 3、Gemini是现代多模态大模型的代表，能够同时处理文本、图像等多种数据类型77% 相似待验证SWE-agent Multimodal的图像查看能力依赖于多模态大模型（如GPT-4o、Claude 3.5等）的视觉理解机制77% 相似待验证GPT-4o and Gemini pioneered multimodal capabilities among international AI models76% 相似已验证Codex的图像理解插件底层使用GPT-4V和GPT-4o多模态模型来识别图像76% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/538377API
curl https://kongchang.com/api/v1/knowledge/claims/538377MCP
get_claim(id=538377)