现在我们找信息早就不只是敲文字了，多模态内容检索刚好适配了这种新需求。
多模态内容检索到底是什么？平常都用在哪？
说白了，模态就是不同类型的信息形式，文字、图片、音频、视频，各算各的模态。
多模态内容检索，就是能同时识别处理不同类型的输入，再从不同类型的内容库里找出匹配结果。
举个生活化的例子，你出门玩拍到一棵没见过的树，想知道它的名字，还想找对应的种植讲解音频。
放在以前，你得先搜图认出树，再把名字输进去搜音频，折腾两步。用多模态检索，直接传照片加一句“找种植讲解”，就能直接拿到你要的结果，不用切换工具。
还有人找老视频，记得片段台词，又截了一张视频里的场景图，一起输进去，就能直接定位到具体时间段，不用整段整段拖进度条。
多模态内容检索日常出行识图搜教程场景图
使用时要留意哪些常见问题？
说实话，很多人刚用的时候都会踩一个小坑：觉得
只要输入了就能出准结果，其实输入信息的质量影响很大。
比如你拍的植物歪歪扭扭还虚焦，系统识别主体都难，结果自然不对。我自己之前搜一座古桥，手晃拍糊了，出来的结果全是不相关的桥，白折腾十分钟。
据一些用户反馈，不少针对个人素材库的多模态工具，其实不用你把内容传到公网，本地就能检索，对于攒了大量图文视频素材的创作者来说很实用。
需要留意的是，不同工具支持的模态数量不一样，有的只做图文双模态，有的能支持音视频检索，选的时候看自己的实际需求就可以。
个人创作者本地素材库多模态检索操作界面
它和普通检索到底差在哪？
它和普通检索到底差在哪？
有意思的是，很多人会把普通的以图搜图和多模态检索搞混。
普通以图搜图本质还是单模态，只能给你返回相似的图片，没法同步给你对应这个图的文字资料、相关视频内容。
多模态检索是把所有格式的信息转换成统一的特征向量再检索，可以跨格式输出匹配结果，逻辑上就不一样。
不过话说回来，目前面向普通用户的产品，大多还是只用到了图文双模态，全模态的通用检索还在行业迭代过程中。
您在实际使用多模态内容检索的时候，还遇到过哪些有意思的情况？欢迎结合具体场景继续探讨。
