文本生成模型，根据输入给出输出。
多模态模型（图像，文本），用户输入图片，模型给出文字解释。用户输入文本，模型输出和文字相符的图片。
多模态模型（图像，音频），用户输入音频，模型给出文字解释。用户输入文本，模型输出音频文件。 
欢迎补充…