多模态 API
“所有自然相连的事物都应该结合在一起来教授”——约翰·阿莫斯·夸美纽斯，“Orbis Sensualium Pictus”，1658 年
人类跨多种数据输入模式同时处理知识。 我们的学习方式、我们的体验都是多模式的。 我们不仅有视觉，只有音频和文本。
与这些原则相反，机器学习通常专注于为处理单一模态而量身定制的专用模型。 例如，我们为文本转语音或语音转文本等任务开发了音频模型，并为对象检测和分类等任务开发了计算机视觉模型。
然而，新一波多模态大型语言模型开始出现。 示例包括 OpenAI 的 GPT-4o、Google 的 Vertex AI Gemini 1.5、Anthropic 的 Claude3 以及开源产品 Llama3.2、LLaVA 和 Balklava 能够接受多种输入，包括文本图像、音频和视频，并通过集成这些输入来生成文本响应。
| 多模态大型语言模型 （LLM） 功能使模型能够与其他模态（如图像、音频或视频）一起处理和生成文本。 |
Spring AI 多模态
多模态是指模型同时理解和处理来自各种来源的信息（包括文本、图像、音频和其他数据格式）的能力。
Spring AI 消息 API 提供了支持多模态 LLM 的所有必要抽象。
UserMessage 的content字段主要用于文本输入，而可选的media字段允许添加一个或多个不同形式的其他内容，例如图像、音频和视频。
这MimeType指定模态类型。
根据使用的 LLM，Mediadata 字段可以是原始媒体内容（作为Resourceobject 或URI添加到内容中。
media 字段当前仅适用于用户输入消息（例如，UserMessage).它对系统消息没有意义。这AssistantMessage，其中包括 LLM 响应，仅提供文本内容。要生成非文本媒体输出，您应该使用专用的单模态模型之一。 |
例如，我们可以拍摄下图 （multimodal.test.png） 作为输入，并要求 LLM 解释它所看到的内容。
对于大多数多模态 LLM，Spring AI 代码将如下所示：
var imageResource = new ClassPathResource("/multimodal.test.png");
var userMessage = new UserMessage(
"Explain what do you see in this picture?", // content
new Media(MimeTypeUtils.IMAGE_PNG, this.imageResource)); // media
ChatResponse response = chatModel.call(new Prompt(this.userMessage));或使用 Fluent ChatClient API：
String response = ChatClient.create(chatModel).prompt()
.user(u -> u.text("Explain what do you see on this picture?")
.media(MimeTypeUtils.IMAGE_PNG, new ClassPathResource("/multimodal.test.png")))
.call()
.content();并生成如下响应：
这是一张设计简单的水果盘的图片。碗由金属制成，带有弯曲的金属丝边缘，形成开放式结构，从各个角度都可以看到水果。碗里有两根黄色的香蕉放在一个似乎是红苹果的东西上。香蕉略微过熟，如果皮上的棕色斑点所示。碗的顶部有一个金属环，可能用作携带的手柄。碗放在一个平坦的表面上，背景是中性色，可以清楚地看到里面的水果。
Spring AI 为以下聊天模型提供多模态支持：