Ako vratimo vreme na 2023. godinu, u AI krugovima se najviše diskutovalo o: ko bolje časka, ko je ljudskiji, ko može da piše poeziju. Tadašnji veliki modeli, iskreno, bili su „stručnjaci za obradu teksta”, date mu tekst, on vam vrati tekst.

Do 2024. godine, pravac se počeo menjati. Modeli poput GPT-4V, Gemini počeli su da vide slike, ali na jednostavan način: tekst tim upravlja tekstom, vizuelni tim upravlja slikama, na kraju se dva modula spoje, nazivajući se „multimodalni”.