¿Qué significa multimodal?

Multimodal: más de una modalidad

Un modelo multimodal trabaja con más de una modalidad: texto, imagen, audio o video. La multimodalidad puede estar en la entrada (el modelo ve imágenes o escucha audio), en la salida (genera imágenes, voz o video) o en ambas.

El error más común es dar por sentado que entender implica generar. Un modelo puede analizar fotos y responder preguntas sobre ellas sin saber dibujar nada; otro puede generar imágenes sin entender una planilla. Son capacidades independientes que hay que verificar por separado.

En el catálogo, cada capacidad (visión, audio, imágenes, video) figura como confirmada, negativa o desconocida: la ausencia de dato no significa que el modelo no pueda, significa que no está verificado.

Combinaciones típicas

• Texto + visión de entrada: describir fotos, leer capturas, extraer datos de documentos escaneados. Es la combinación más madura.
• Texto + audio: transcribir voz, responder hablando, traducir en tiempo real. La calidad varía mucho entre entrada y salida.
• Generación de imágenes o video: suele hacerse con modelos especializados (de difusión), a veces envueltos en el mismo producto que el LLM.
• Todo en uno: algunos modelos recientes aceptan y producen varias modalidades de forma nativa, pero cada modalidad tiene su propio nivel de calidad.

Regla práctica: ante un anuncio multimodal, preguntá qué modalidad, en qué dirección y medido cómo. El marketing tiende a presentar la mejor combinación como si fuera el todo.

Fuentes

• Documentación de la API de Gemini (capacidades multimodales) (documentacion-oficial) · consultado 20/09/2026