Native Multimodal（原生多模态）

来源： wiki/sources/agent-2026-06-mythos-analysis、wiki/sources/industry-2026-06-china-llm-coding-office
相关概念： wiki/concepts/multimodal-ai、wiki/concepts/world-model、wiki/concepts/ai-native-architecture

Native Multimodal 指模型在预训练阶段即同时处理文本、图像、音频、视频等多种模态，而非后期拼接专用编码器的外挂式多模态方案。

要点

• 端到端统一表征空间（unified latent space）是原生多模态的核心指标
• Gemini、GPT-4o 正在推动该范式落地，中国模型（Qwen-VL、DeepSeek-VL）紧随其后
• 对 Agent 而言，原生多模态意味着"看懂你的屏幕"和"理解你发的图"成为基础能力，不再是插件

与 OpenClaw 的关系

OpenClaw 的视觉分析（vision model）与图片生成功能若是基于原生多模态后端，将显著降低架构复杂度与延迟。