Ugrás a főtartalomra
Magyar— Nyelv kiválasztása
Menü

Kombinált modalitások: Többmodalitású munkafolyamatok

13. lecke 14 közül Frissítve 2026. november 2. Kezdő
Ezen az oldalon
  1. A kombinált többmodalitás ereje
  2. Kép + szöveg: Túl a puszta leíráson
  3. Hang + dokumentum: Az intelligens összefoglaló
  4. Négy professzionális munkafolyamat, amit lemásolhatsz
  5. A gép zökkenőmentes működtetése
  6. Főbb megállapítások

Frissítés: 2026. november 2. – A Le Chatból Vibe lett. 2026. május 28. óta a Le Chat új neve Vibe (továbbra is a chat.mistral.ai címen érhető el): egy egyetlen ügynök munkára és kódolásra, amely megőrzi beszélgetéseidet, beállításaidat és előfizetéseidet. A régi Le Chat élmény továbbra is elérhető a Chat módban; a Work módban az ügynökök készségekké (skills) váltak (a @ jellel hívhatók meg), az emlékek (memories) szolgálják a tudásbázist, a mélyreható kutatás pedig most a Deep Research készség. A csomagok neve mostantól Mistral Free, Pro, Team és Enterprise. Ez a lecke a Vibe nevet használja; vedd figyelembe, hogy az itt leírt egyes menük neve vagy elhelyezkedése megváltozhatott.

A kombinált többmodalitás ereje

Ebben a tanfolyamban feltártad a Mistral AI három alapvető képességét: a képfeldolgozást (vision) elemzésre, a hangfeldolgozást (audio) átírásra és beszédszintézisre, valamint az intelligens OCR-rel támogatott dokumentumfeldolgozást. Önmagukban is lenyűgözőek. De ha egyetlen munkafolyamatban kombinálod őket, akkor bontakozik ki teljes potenciáljuk: a források metszik és kiegészítik egymást, olyan eredményeket hozva létre, amelyek meghaladják azt, amit bármelyik modalitás önmagában elérhetne. Ez a lecke bemutatja, hogyan hangold össze ezeket a kombinációkat.

Kép + szöveg: Túl a puszta leíráson

A leggyakoribb használati eset egy kép gazdagítása pontos szöveges utasításokkal. A különbség egy gyenge és egy gazdag prompt között drámai. Készíts egy képernyőmentést egy PowerPoint-diáról: a „Írd le ezt a képet“ prompt egy unalmas átfogalmazást eredményez. Ezzel szemben az „Ez egy dia a befektetői prezentációnkból. Fogalmazd át a fő üzenetet egy általános közönség számára“ vagy az „Ez a dia a negyedéves eredményeinket mutatja. Azonosítsd a top 3 adatot, és javasolj egy figyelemfelkeltő címet“ prompt kihasználja a modell vizuális megértését és íráskészségét is – így a kimenet azonnal használhatóvá válik.

Ugyanez az elv vonatkozik a helyszíni fotókra is. Az „Ez egy fotó a standunkról a szakmai vásáron. Javasolj fejlesztéseket, hogy több látogatót vonzzunk“ prompt tanácsadóvá teszi a modellt; az „Ez a fotó a jelenlegi irodai elrendezésünket mutatja. Javasolj egy átszervezést az együttműködés javítására“ prompt pedig térrendezővé. Mindkét esetben a szöveges kontextus irányítja a modell figyelmét.

Több képet is kombinálhatsz összehasonlító utasítással: három design tervrajz mellé tedd oda, hogy „Rangsorold ezeket a terveket vizuális érthetőség szerint, és indokold meg a rangsorolást“, vagy egy felújítás előtti és utáni fotóhoz add hozzá, hogy „Becsüld meg a készültség százalékos arányát, és azonosítsd a hátralévő feladatokat.“

Hang + dokumentum: Az intelligens összefoglaló

Különösen erőteljes munkafolyamat köti össze a hangátírást a dokumentumelemzéssel. A klasszikus forgatókönyv egy értekezlet: először töltsd fel a napirendet (PDF) a Vibe-ba, majd a megbeszélés hangfelvételét, végül kérdezd meg: „Itt van a napirend és az értekezletünk felvétele. Minden napirendi ponthoz foglald össze, mi született döntés, és sorold fel a teendőket.“ A modell kereszthivatkozza mindkét forrást, hogy strukturált, pontról pontra kidolgozott összefoglalót készítsen – míg a puszta átírás csak egy hosszú, szó szerinti jegyzőkönyvet adna, amit szerkeszteni kellene, a napirend önmagában pedig üres burok maradna.

A hallgatói verzió ugyanígy működik: töltsd fel az előadás PDF-diáit, majd az előadó hangfelvételét, és kérdezd meg: „Készíts átfogó összefoglaló jegyzeteket a diák és az előadó szóbeli magyarázatainak kombinálásával.“ A diák adják a szerkezetet és a pontos definíciókat; a hang hozzáteszi a magyarázatokat, példákat és hangsúlyokat. A végső jegyzetek sokkal gazdagabbak, mint amit bármelyik forrás önmagában nyújthatna.

Négy professzionális munkafolyamat, amit lemásolhatsz

Versenytárs-elemzéshez készíts képernyőmentést három versenytárs honlapjáról, töltsd fel őket a Vibe-ba, és kérdezd meg: „Hasonlítsd össze ezt a 3 honlapot. Azonosítsd mindegyik erősségeit és gyengeségeit az üzenetküldés, a design és a cselekvésre való felhívás (call to action) szempontjából.“

Ügyfélbevonáshoz töltsd fel az aláírt szerződést (PDF), majd az ügyfél briefjét (dokumentum vagy kép), és kérdezd meg: „Foglald össze a szerződéses kötelezettségeket, és vesd össze őket a brief elvárásaival. Van-e ellentmondás?“ Ha ezeket az eltéréseket korán észleled, elkerülheted, hogy a projekt közepén derüljön ki: egy értékesítési ígéret nincs benne a szerződésben.

Rendezvényelemzéshez kombinálj három forrást: fotókat a rendezvényről, beszédek hangfelvételeit és a programot (PDF), majd kérdezd meg: „Készíts egy rendezvény utáni jelentést, kiemelve a kulcsmomentumokat, az emlékezetes idézeteket, valamint értékelve, mennyire fedte le a programot az esemény.“

Belső képzéshez fordítsd meg a folyamatot: rögzítsd egy folyamat szóbeli magyarázatát, hagyd, hogy a Vibe átírja, majd kérdezd meg: „Alakítsd ezt az átírást strukturált eljárásrenddé, számozott lépésekkel“, ezután adj hozzá képernyőmentéseket a következő kéréssel: „Illeszd be ezeknek a képernyőmentéseknek a leírását illusztrációként minden lépéshez.“ Négy üzenet alatt egy rögtönzött magyarázatból hivatalos dokumentáció lesz.

A gép zökkenőmentes működtetése

Néhány szokás sokkal gördülékenyebbé teszi ezeket a munkafolyamatokat. Kontextusba helyezel minden feltöltött fájlt – „Ez a napirend“, „Itt van a hozzá tartozó felvétel“ –, így a modell helyesen társítja a forrásokat. Komplex munkafolyamatoknál lépj fel lépésről lépésre: ahelyett, hogy mindent egyetlen üzenetben küldenél el, építsd fel a beszélgetést üzenetről üzenetre, és minden lépést validálj, mielőtt továbblépnél. Nevezd el egyértelműen a fájlokat feltöltés előtt: a „report-q3-2026.pdf“ tájékoztatja a modellt; a „document.pdf“ nem. És ne feledd, hogy a hangalapú mód maga is egy bemeneti modalitás: hosszú utasítások esetén diktáld őket ahelyett, hogy beírnál egy egész bekezdést.

Főbb megállapítások

  • A kép + szöveg + hang + dokumentum kombinálása egyetlen munkafolyamatban megsokszorozza a lehetőségeket
  • A legerősebb munkafolyamatok több forrást kereszthivatkoznak: értekezlet hangja + napirend, fotók + ügyfél brief
  • Helyezd kontextusba minden feltöltött fájlt, hogy segítsd a modellt a helyes kapcsolatok létrehozásában
  • Komplex munkafolyamatoknál lépj fel lépésről lépésre, ahelyett, hogy mindent egyszerre küldenél el
  • A hangalapú mód bemeneti eszközként is szolgálhat részletes utasítások megadásához