「多模態」這個詞被用來指兩件不同的事，混淆它們會帶來真實的失望。
一種意思是：能讀多種輸入的模型——文字、圖片、音訊、影片。另一種意思是：能產出多種輸出的系統。幾乎沒有哪個單一模型兩者兼備，而這兩件事之間的落差，正解釋了為什麼「做一個多模態應用」通常意味著把好幾個模型接在一起。
數字最後核對日期：2026 年 8 月 26 日。
什麼是模態
模態就是資料的一種類型：文字、圖片、音訊、影片。當一個模型能處理不止一種時，它就是多模態的。
有用的問題從來不是「它是不是多模態」，而是「哪些模態，往哪個方向」——因為讀和寫是完全不同的能力。
今天的大模型實際接受什麼
橫著讀，別直著讀。這裡的每一個，輸出都只有文字。
| 模型家族 | 讀 | 寫 |
|---|---|---|
| Gemini 2.5 / 3.x | 文字、圖片、檔案、音訊、影片 | 文字 |
| Claude Opus 5 / Sonnet 5 / Haiku 4.5 | 文字、圖片、檔案 | 文字 |
| GPT-5 家族 | 文字、圖片、檔案 | 文字 |
| DeepSeek V4 Pro | 文字 | 文字 |
有兩點很扎眼。
Gemini 能讀音訊和影片；Claude 和 GPT 不能。 這是眼下幾大家族之間最清晰的能力差別，而且不是品質評價——它是一份可接受輸入類型的清單。如果你的輸入是一段會議錄音或一段影片，這個差別會比任何其他因素更早決定你的模型。
那張表裡的每一個家族都只寫文字，沒有別的。 Gemini 能看一段影片並描述它。它做不出一段影片。
那麼圖片和影片是誰做的
完全是另一批模型。僅在 Atlas Cloud 的目錄裡，分布就是：
| 類型 | 有公開價格的模型數 |
|---|---|
| 影片 | 196 |
| 文字 | 136 |
| 圖片 | 121 |
| 音訊 | 20 |
那些圖片和影片模型幾乎都只做一件事：文字進去，一種媒體出來。它們不對話，不讀文件，也不是上面那張表裡的模型。
這就是 2026 年多模態 AI 的實際樣貌： 一個能讀多種輸入類型的文字模型，加上每種輸出類型各自的專用產生器，由你的程式碼把它們串起來。不是一個什麼都能做的模型。
這種分工可以在模型索引上看到——聊天、圖片和影片是分開的清單，因為它們本來就是分開的模型家族。
多模態輸入到底要花多少錢
讀圖片和文件不是免費的。它們和別的東西一樣會被轉成 token，Anthropic 公布了數字：
- 一張圖片加一條簡短指令：1,028 個輸入 token
- 一個 PDF 加一條簡短指令：2,188 個輸入 token
所以一個帶二十張截圖的請求，在你的提示詞開始之前就已經花掉約 20,000 個輸入 token。在 Claude Sonnet 5 上按每百萬 2.00 美元算，這是每次請求四美分——單次微不足道，每月五萬次請求就是真金白銀。
影片還要更重，這也是接受它的廠商更少的部分原因。
多模態真正配得上自己位置的地方
- 讀那些本身就是圖片的文件。 掃描件、截圖、收據、手寫表格。一個有視覺的文字模型可以取代整條 OCR 流程，還能應付它從未訓練過的版面。
- 音訊和影片理解。 會議紀要、通話分析、描述片段。今天這指向 Gemini，因為它是接受這類輸入的那個家族。
- 有依據的生成。 把你的品牌照片給模型看，讓它寫出與之相配的文案。
- 介面工作。 給模型一張出問題頁面的截圖，問它哪裡不對。
不適合的地方
- 當你需要媒體作為輸出時。 去找專用產生器。那 196 個影片模型和 121 個圖片模型就是做這個的。
- 當純文字本來就夠用時。 讓視覺模型去讀一個你本可以解析的 PDF，是你本不必花的一千個 token。
- 當「多模態」在替行銷部做事時。 能讀圖片的模型不會自動在文字上更強。看模態清單，別看形容詞。
怎麼選
- 把方向寫下來。 什麼進去，什麼出來。兩份清單。
- 按輸入類型選讀的那個。 如果輸入清單裡有音訊或影片，在三巨頭裡目前的答案是 Gemini 家族。
- 每個產生器單獨選。 圖片、影片、音訊模型各按自己的長處和自己的價格來選。
- 把輸入算進預算。 每張圖片一千 token，每個 PDF 兩千，乘以你真實的請求量。
簡版
- 多模態描述的是模型讀什麼、寫什麼，或者兩者兼有——永遠要問清是哪一種。
- Gemini 讀音訊和影片。Claude 和 GPT 讀文字、圖片和檔案。它們全都只寫文字。
- 媒體由單獨的專用模型產出：僅一家廠商就有 196 個影片、121 個圖片和 20 個音訊模型。
- 真正的多模態應用，通常是一個讀者加一個或多個產生器，由你的程式碼串起來。
- 圖片和 PDF 分別約需 1,000 和 2,000 個輸入 token。在圍繞它們做設計之前，先乘以你的量。
在 ElliSekiz 上繼續了解
把各家族並排看。 模型索引把聊天、圖片、影片和音訊分開，各自附目前價格。
按價格比較這些讀者。 每個文字模型的 token 費率都在比較頁，按各廠商自己的計費單位列出。
想做圖片和影片，而不是寫程式？ 上面提到的圖像、影片和語音生成模型也都在 Reelina AI 裡——一個用來製作電影、短影音和故事的創作工作室，一個點數餘額，不需要 API 金鑰。
來源
- OpenRouter models API，
https://openrouter.ai/api/v1/models（輸入與輸出模態，讀取於 2026-08-26） - Atlas Cloud 模型目錄 API，
https://api.atlascloud.ai/api/v1/models（各類型模型數量） - Anthropic — Token counting（圖片與 PDF 的 token 數）