Model multimodalny może np. obejrzeć zdjęcie i opisać je, przeczytać wykres, posłuchać nagrania i streścić je, albo na podstawie tekstu wygenerować obraz.
Przykład: robisz zdjęcie lodówki i pytasz czat, co ugotować z tego, co widać. Albo pokazujesz zrzut ekranu z błędem i prosisz o pomoc.