Multimodale KI
KI-Modelle, die mehrere Arten von Daten wie Text, Bild, Audio oder Video verarbeiten und teils auch erzeugen können.
Definition
Eine Modalität ist eine Form von Information, z. B. Text, Bild, gesprochene Sprache oder Video. Multimodale Modelle nehmen mehrere dieser Formen als Eingabe an oder geben sie aus. Du kannst z. B. ein Foto hochladen und eine Frage dazu stellen oder dir einen Text vorlesen lassen. Viele aktuelle Chat-Assistenten können inzwischen Bilder und PDF-Dateien auswerten. Auch bei Bildern gilt: Die KI kann Details übersehen, Handschrift falsch lesen oder Dinge hinzuerfinden. Fotos von Kindern, Namen oder Gesichter gehören nicht in solche Tools, solange deine Einrichtung das nicht ausdrücklich geregelt hat.
Beispiel
Ein Beispiel aus der Sekundarstufe: Du fotografierst einen Rechenweg, auf dem kein Name steht, und fragst eine multimodale KI, wo der Fehler liegt. Die Antwort nutzt du als Hinweis für deine eigene Korrektur. Liest die KI eine Ziffer falsch, erkennst du das am Vergleich mit dem Original.
Verwandte Begriffe
Weiterführend
Zuletzt aktualisiert: 18. Oktober 2026