مدل‌های نسل جدید فقط متن نمی‌خوانند: عکس را توصیف می‌کنند، از روی اسکرین‌شات کد می‌نویسند، صدا را می‌فهمند. Gemini و ChatGPT در این زمینه پیشرو هستند.
حالت صوتی زنده و تحلیل ویدیو معمولاً به پلن پولی محدود است.
چندوجهی Multimodal
مدلی که هم‌زمان متن، تصویر، صدا و ویدیو را می‌فهمد یا می‌سازد؛ مثلاً عکس می‌فرستید و دربارهٔ آن سؤال می‌پرسید.