Multimodal AI سامانه‌ای است که چند نوع داده مانند متن، تصویر، صوت یا ویدئو را در یک فرایند مشترک پردازش یا تولید می‌کند.
پشتیبانی از چند رسانه به معنی توانایی یکسان در همه وظایف نیست، محدودیت ورودی و خطاهای ادراکی باید آزموده شوند.
مدل چندوجهی می‌تواند درباره تصویر و متن با هم استدلال کند، اما کیفیت OCR و درک روابط فضایی را باید جداگانه ارزیابی کرد.