AI умеет видеть

Современные модели не ограничены текстом — они мультимодальны: понимают изображения, а некоторые и аудио, видео. Ты можешь показать модели фото чека, скриншот ошибки, график, схему — и она опишет, извлечёт данные, объяснит. Под капотом картинка тоже превращается в токены (визуальные) и попадает в тот же контекст, что и текст. Это открывает задачи, недоступные текстовому AI: разобрать рукописную заметку, вытащить таблицу со скриншота, понять, что не так на фото. Мультимодальность — это AI, который видит мир, а не только читает про него.