Zum Hauptinhalt springen
Deutsch— Sprache auswählen
Menü

Kombination von Modalitäten: Multimodale Workflows

Lektion 13 von 14 Aktualisiert am 2. November 2026 Anfänger
Auf dieser Seite
  1. Die Kraft der kombinierten Multimodalität
  2. Bild + Text: Mehr als nur Beschreibung
  3. Audio + Dokument: Die intelligente Zusammenfassung
  4. Vier professionelle Workflows zur Nachahmung
  5. Das System reibungslos betreiben
  6. Kernaussagen

Update vom 2. November 2026 — Le Chat wird zu Vibe. Seit dem 28. Mai 2026 wurde Le Chat in Vibe umbenannt (nach wie vor unter chat.mistral.ai): ein einziger Agent für Arbeit und Code, der Ihre Gespräche, Einstellungen und Abonnements übernimmt. Die klassische Le Chat-Erfahrung bleibt im Chat-Modus zugänglich; im Work-Modus sind Agenten zu Fähigkeiten geworden (über @ aufrufbar), Erinnerungen dienen als Wissensbasis und die vertiefte Recherche ist nun die Fähigkeit Deep Research. Die Pläne heißen nun Mistral Free, Pro, Team und Enterprise. Diese Lektion verwendet den Namen Vibe; beachten Sie, dass einige hier beschriebene Menüs andere Namen oder Standorte haben können.

Die Kraft der kombinierten Multimodalität

In diesem Kurs haben Sie drei Kernfähigkeiten von Mistral AI erkundet: Vision für die Bildanalyse, Audio für Transkription und Sprachsynthese sowie Dokumentenverarbeitung mit intelligenter OCR. Jeder einzelne Aspekt ist beeindruckend. Doch ihre Kombination in einem einzigen Workflow entfaltet ihr volles Potenzial: Die Quellen schneiden sich und ergänzen sich gegenseitig, was Ergebnisse hervorbringt, die weit über das hinausgehen, was eine einzelne Modalität allein leisten könnte. In dieser Lektion zeigen wir Ihnen, wie Sie diese Kombinationen orchestrieren.

Bild + Text: Mehr als nur Beschreibung

Der häufigste Anwendungsfall besteht darin, ein Bild mit präzisen Textanweisungen zu bereichern. Der Unterschied zwischen einem schwachen und einem reichhaltigen Prompt ist dramatisch. Nehmen Sie einen Screenshot einer PowerPoint-Folie: „Beschreiben Sie dieses Bild” liefert eine fade Paraphrase. Doch „Hier ist eine Folie aus unserer Investor-Präsentation. Formulieren Sie die Hauptbotschaft für ein allgemeines Publikum neu” oder „Diese Folie zeigt unsere Quartalszahlen. Identifizieren Sie die drei wichtigsten Kennzahlen und schlagen Sie einen einprägsamen Titel vor” nutzt sowohl das visuelle Verständnis des Modells als auch seine Schreibfähigkeit – wodurch die Ausgabe sofort einsatzbereit ist.

Das gleiche Prinzip gilt für Feldfotos. „Hier ist ein Foto von unserem Stand auf der Messe. Schlagen Sie Verbesserungen vor, um mehr Besucher anzuziehen”, verwandelt das Modell in einen Berater; „Dieses Foto zeigt unsere aktuelle Büroaufteilung. Vorschlagen Sie eine Neugestaltung zur Verbesserung der Zusammenarbeit”, macht es zu einem Raumplaner. In beiden Fällen lenkt der Textkontext den Fokus des Modells.

Sie können auch mehrere Bilder mit einer vergleichenden Anweisung kombinieren: drei Design-Mockups begleitet von der Aufforderung „Ordnen Sie diese Mockups nach visueller Klarheit und begründen Sie Ihre Reihenfolge” oder ein Vorher-Nachher-Foto einer Renovierung mit „Schätzen Sie den prozentualen Fortschritt und identifizieren Sie die verbleibenden Aufgaben”.

Audio + Dokument: Die intelligente Zusammenfassung

Ein besonders leistungsstarker Workflow verbindet die Audio-Transkription mit der Dokumentenanalyse. Das klassische Szenario ist ein Meeting: Laden Sie zunächst die Agenda (PDF) in Vibe hoch, dann die Aufzeichnung des Meetings und fragen Sie schließlich: „Hier ist die Agenda und die Aufzeichnung unseres Meetings. Fassen Sie für jeden Agenda-Punkt zusammen, was beschlossen wurde, und listen Sie die Aufgabenpunkte auf.” Das Modell verknüpft beide Quellen, um eine strukturierte, punktweise Zusammenfassung zu erstellen – wohingegen eine reine Transkription lediglich einen langen Wort-für-Wort-Text liefern würde, der bearbeitet werden müsste, und die Agenda allein eine leere Hülle wäre.

Die Variante für Studierende funktioniert ebenso gut: Laden Sie die Kurs-Folien (PDF) hoch, dann die Audioaufzeichnung des Professors, und fragen Sie: „Erstellen Sie umfassende Lernhilfen, indem Sie die Folien mit den mündlichen Erklärungen des Professors kombinieren.” Die Folien liefern Struktur und exakte Definitionen; das Audio fügt Erklärungen, Beispiele und Schwerpunkte hinzu. Die endgültigen Notizen sind weitaus reichhaltiger als was jede Quelle separat bieten könnte.

Vier professionelle Workflows zur Nachahmung

Für Wettbewerbsanalyse: Machen Sie Screenshots von den Startseiten dreier Wettbewerber, laden Sie diese in Vibe hoch und fragen Sie: „Vergleichen Sie diese drei Startseiten. Identifizieren Sie die Stärken und Schwächen jeder Seite hinsichtlich der Botschaft, des Designs und des Call-to-Action.”

Für Kunden-Onboarding: Laden Sie den unterschriebenen Vertrag (PDF) hoch, gefolgt vom Kundenbrief (Dokument oder Bild), und fragen Sie: „Fassen Sie die vertraglichen Verpflichtungen zusammen und verknüpfen Sie diese mit den Erwartungen des Briefes. Gibt es Inkonsistenzen?” Das frühzeitige Aufdecken solcher Missstimmungen verhindert, dass man mitten im Projekt feststellt, dass eine Verkaufsversprechen nicht im Vertrag steht.

Für Veranstaltungsanalyse: Kombinieren Sie drei Quellen: Fotos von der Veranstaltung, Audioaufzeichnungen von Reden und das Programm (PDF), und fragen Sie: „Erstellen Sie einen Bericht nach der Veranstaltung, der Schlüsselmomente, einprägsame Zitate und eine Bewertung der Abdeckung des Programms hervorhebt.”

Für interne Schulungen: Kehren Sie den Fluss um: Aufnehmen Sie Ihre mündliche Erklärung eines Prozesses, lassen Sie Vibe diese transkribieren, fragen Sie „Verwandeln Sie diese Transkription in eine strukturierte Verfahrensanleitung mit nummerierten Schritten”, und fügen Sie dann Screenshots hinzu mit „Integrieren Sie Beschreibungen dieser Screenshots als Illustrationen für jeden Schritt.” In vier Nachrichten wird eine improvisierte Erklärung zu formeller Dokumentation.

Das System reibungslos betreiben

Ein paar Gewohnheiten machen diese Workflows deutlich reibungsloser. Kontextualisieren Sie jede hochgeladene Datei – „Dies ist die Agenda”, „Hier ist die entsprechende Aufzeichnung” –, damit das Modell die Quellen korrekt zuordnen kann. Bei komplexen Workflows gehen Sie Schritt für Schritt vor: Senden Sie nicht alles in einer einzigen Nachricht, sondern bauen Sie das Gespräch Nachricht für Nachricht auf und validieren Sie jeden Schritt, bevor Sie zum nächsten übergehen. Benennen Sie Ihre Dateien explizit vor dem Hochladen: „report-q3-2026.pdf” informiert das Modell; „document.pdf” tut es nicht. Und denken Sie daran, dass der Sprachmodus selbst eine Eingabe-Modalität ist: Für lange Anweisungen diktiert man sie, statt einen Absatz zu tippen.

Kernaussagen

  • Die Kombination von Bild + Text + Audio + Dokument in einem einzigen Workflow vervielfacht die Möglichkeiten
  • Die leistungsfähigsten Workflows verknüpfen mehrere Quellen: Meeting-Audio + Agenda, Fotos + Kundenbrief
  • Kontextualisieren Sie jede hochgeladene Datei, um dem Modell zu helfen, die richtigen Verbindungen herzustellen
  • Gehen Sie bei komplexen Workflows Schritt für Schritt vor, anstatt alles auf einmal zu senden
  • Der Sprachmodus kann als Eingabeinstrument für detaillierte Anweisungen dienen