#マルチモーダルモデル

マルチモーダル入力（Vision）─ 画像・スクリーンショットをエージェントに渡す

現代のLLMはテキストだけでなく画像を入力として受け取れる「マルチモーダル」機能を持つ。APIではcontentに imageブロックを追加するだけでJPEG・PNG等を渡せ、スクリーンショット読み取り・帳票解析・UI自動化など応用範囲が大きく広がる。