英文：Unified Multimodal 分类：multimodal
用单一模型处理文本、图像、音频、视频等多种模态的架构理念：共享参数与训练，实现任意输入→任意输出的通用智能。
技术：统一 Token 化（各模态映射到共享离散空间）、统一序列建模（一个 Transformer 处理所有模态）、模态间迁移（用文本增强视觉等）；代表：Gemini、GPT-4o、Qwen2.5-Omni；挑战：模态失衡（数据量差异）与训练稳定性。
用于通用助手（手机/桌面全能 AI）、机器人（多模态感知）、内容平台（图文音视频统一理解）；统一多模态是"AGI 形态"的主要候选。