# Modèle multimodal

> Modèle d'intelligence artificielle capable de traiter et de combiner plusieurs types de contenu — texte, image, parfois audio ou vidéo — dans une même requête et une même réponse.

- Auteur : Clément Hadrot
- Publié le : 2026-09-25
- Mis à jour le : 2026-09-25
- URL : https://wpmoderne.dev.wordpress-developpement.fr/lexique/modele-multimodal/

Montrer une capture d'écran ou une photo à un modèle de langage classique ne sert à rien : il ne connaît que du texte et ignore purement l'image. Un modèle multimodal lève cette limite en acceptant, et parfois en générant lui-même, plusieurs formes de contenu à la fois : décrire une image, répondre à une question portant sur un graphique, ou produire un visuel à partir d'une simple description textuelle.

## Usages concrets pour WordPress

Un modèle multimodal permet, par exemple, d'analyser une image de mise en page envoyée par un client pour en déduire une structure de blocs à recréer dans l'éditeur, de générer automatiquement un texte alternatif (attribut `alt`) pertinent pour une image de la médiathèque, ou de vérifier visuellement le rendu d'une page avant publication. Certaines extensions de génération d'images pour WordPress s'appuient sur la partie « génération d'image » de ces modèles pour produire des visuels d'illustration directement depuis l'éditeur.

## Exemple

```
Invite (avec image jointe d'un produit) :
"Rédige un attribut alt descriptif de moins de 125 caractères
pour cette image, destiné à un site e-commerce"

Résultat : "Chaise en bois clair avec accoudoirs, vue de trois quarts"
```

## Bon à savoir

- Toutes les fonctionnalités « multimodales » ne sont pas symétriques : un modèle qui comprend une image en entrée ne sait pas forcément en générer une en sortie, et inversement.
- Le texte alternatif généré automatiquement reste à relire : un modèle peut décrire fidèlement l'image sans connaître le contexte métier (nom du produit, particularité mise en avant) qui rend une description vraiment utile.
- Le traitement d'une image consomme généralement plus de ressources qu'un texte de longueur comparable, un facteur à prendre en compte pour le coût et la vitesse d'un traitement en masse.