Multimodality به توانایی پردازش یا تولید چند نوع داده مانند متن، تصویر، صوت و ویدئو اشاره دارد. مدل می‌تواند تصویر را همراه پرسش متنی تحلیل کند.
چندوجهی بودن به معنی توانایی یکسان در همه رسانه‌ها نیست، محدودیت ورودی و خطاهای ادراکی باید بررسی شوند.
مثالی از مسیر اجرای برنامه
مدل چندوجهی می‌تواند تصویر و سوال متنی را با هم دریافت کند. کیفیت آن برای خواندن جدول تصویری ممکن است با تشخیص آبجکت‌های ساده متفاوت باشد.