مدلهای چندوجهی (Multimodal) میتوانند همزمان متن، تصویر، صدا و فایل را بفهمند. یعنی میتوانید عکس یک صفحهٔ کتاب را بفرستید و ترجمه بخواهید، از یک نمودار تحلیل بگیرید یا اسکرینشات خطای برنامه را نشان دهید و راهحل بپرسید.
حالت صوتی هم برای تمرین مکالمه، دیکته کردن ایدهها یا گرفتن توضیح در حین کار عملی مفید است. برخی ابزارها حتی تصویر زندهٔ دوربین را میبینند و دربارهٔ آن حرف میزنند.
برای نتیجهٔ بهتر، تصویر واضح و کمحاشیه بفرستید و دقیق بگویید دنبال چه هستید: «فقط اعداد جدول را استخراج کن» بهتر از «این را ببین» است. برای فایلهای بلند، از مدل بخواهید اول فهرست بخشها را بدهد و بعد بخشبهبخش جلو بروید.
عکسها و فایلها ممکن است اطلاعات شخصی داشته باشند؛ قبل از ارسال، شمارهٔ کارت، آدرس و چهرهٔ دیگران را بپوشانید.
