多模态大语言模型(MLLMs)是一种能够理解和生成多种形式的内容（涵盖文本、图像、视频、音频等多种模态）的机器学习模型。它们通过融合不同模态的数据，实现了跨模态的信息理解与生成，被广泛应用于虚拟助手、内容创作等领域。