全模态模型是什么
这两年发布会听得最多的词就是"全模态"，什么 GPT-4o、Gemini、Qwen-Omni 全是这一挂的。一句话说清楚：文本、图片、音频、视频都能进，还都能出的模型，就叫全模态（Omni）。
和它容易搞混的是"多模态"。很多模型说自己多模态，其实只是能看图，你发张照片它能聊两句，但它听不了语音，更看不了视频。全模态是更进一步：你说话它能听，你开摄像头它能看，它回答你的时候还能开口说。
它和普通聊天模型差在哪
打个比方。普通文本模型像个笔友，只能写信交流；多模态模型像个能看照片的笔友；全模态模型就是个坐在你对面的真人，你说什么它听到什么，你给它看什么它看到什么，还能即时回你话。
技术上最大的区别是实时性。全模态模型普遍能做到低延迟的语音对话，你打断它，它能停下听你说，像打电话，不像发邮件。
普通人什么时候用得上
几个真实的场景，都不是炫技：
1. 开会录音转纪要。录音丢进去，说话人分开，要点直接列好。
2. 看图问事。体检报告看不懂、说明书找不到重点、猫生病了拍张照问一句，都比纯文字描述省事。
3. 长视频提炼。两小时的教程视频，让它按问题取关键片段，给你一份带截图的笔记。
4. 语音助手。开车或者手上忙着的时候，动口不动手。
什么时候别用它
全模态模型贵，这个死穴绕不过去。纯文字任务让它干，等于开着卡车买酱油。写文章、改代码、翻译文档这些，普通文本模型又快又便宜。
一个简单的判断：任务里有声音或画面，才考虑全模态。之前写过一篇 Token 和上下文窗口的入门，里面算过账单，多模态输入的 token 消耗和纯文字完全不是一个量级，用之前值得看看那篇。
怎么试
门槛很低：通义、豆包、ChatGPT 这几家的手机 APP，语音对话按钮按下去，你就是在使用全模态能力了。想深一点的，等它支持图片、视频输入后，把报告、视频直接丢进去问。
9 月 18 日阿里刚发的 Qwen3.8-Omni-Flash 把音频输入价格降了一个数量级，全模态从"演示玩具"往"日常工具"走，接下来这个赛道的价格战值得盯着。