Przejdź do głównej treści
Polski— Wybierz język
Menu

Łączenie modalności: przepływy pracy multimodalne

Lekcja 13 z 14 Zaktualizowano 2 listopada 2026 Początkujący
Na tej stronie
  1. Siła połączonej multimodalności
  2. Obraz + tekst: więcej niż opis
  3. Dźwięk + dokument: inteligentne podsumowanie
  4. Cztery profesjonalne przepływy pracy do powielenia
  5. Płynne uruchamianie mechanizmu
  6. Kluczowe wnioski

Aktualizacja z 2 listopada 2026 r. — Le Chat staje się Vibe. Od 28 maja 2026 r. Le Chat zmienił nazwę na Vibe (nadal dostępny pod adresem chat.mistral.ai): to pojedynczy agent do pracy i kodowania, który zachowuje Twoje konwersacje, ustawienia i subskrypcje. Legacyjne doświadczenie Le Chat pozostaje dostępne w trybie Chat; w trybie Work agenci stali się umiejętnościami (wywoływanymi za pomocą @), pamięci służą jako baza wiedzy, a głębokie badania to teraz umiejętność Deep Research. Plany noszą teraz nazwy Mistral Free, Pro, Team i Enterprise. W tej lekcji używamy nazwy Vibe; pamiętaj, że niektóre opisane tu menu mogły zmienić nazwy lub lokalizację.

Siła połączonej multimodalności

W trakcie tego kursu poznałeś trzy kluczowe możliwości Mistral AI: wizję do analizy obrazów, dźwięk do transkrypcji i syntezy mowy oraz przetwarzanie dokumentów z inteligentnym OCR. Każda z nich osobno robi wrażenie. Jednak połączenie ich w jednym przepływie pracy uwalnia ich pełen potencjał: źródła przenikają się i uzupełniają, generując wyniki, które przewyższają to, co mogłaby osiągnąć pojedyncza modalność. Ta lekcja pokaże Ci, jak orchestrować takie kombinacje.

Obraz + tekst: więcej niż opis

Najczęstszym przypadkiem użycia jest wzbogacanie obrazu o precyzyjne instrukcje tekstowe. Różnica między słabym promptem a bogatym jest dramatyczna. Zrób zrzut ekranu slajdu w PowerPointie: polecenie „Opisz ten obraz“ da mdły parafraz. Ale „Oto slajd z naszej prezentacji dla inwestorów. Przeformułuj główny przekaz dla szerokiego odbiorcy“ lub „Ten slajd przedstawia nasze wyniki kwartalne. Wskaż 3 najważniejsze liczby i zaproponuj chwytliwy tytuł“ wykorzystuje zarówno wizualne zrozumienie modelu, jak i jego zdolności pisarskie – dzięki czemu wynik jest od razu gotowy do użycia.

Ta sama zasada dotyczy zdjęć z terenu. „Oto zdjęcie naszego stoiska na targach. Zaproponuj ulepszenia, które przyciągną więcej odwiedzających“ zamienia model w konsultanta; „To zdjęcie pokazuje obecny układ naszego biura. Zaproponuj reorganizację poprawiającą współpracę“ czyni z niego planistę przestrzeni. W obu przypadkach kontekst tekstowy kieruje uwagą modelu.

Możesz też połączyć kilka obrazów z instrukcją porównawczą: trzy makiety projektowe z poleceniem „Uszereguj te makiety pod względem przejrzystości wizualnej i uzasadnij swój ranking“ albo zdjęcie „przed i po“ remoncie z pytaniem „Oszacuj procentowy postęp prac i wskaż pozostałe zadania“.

Dźwięk + dokument: inteligentne podsumowanie

Szczególnie potężny przepływ pracy łączy transkrypcję audio z analizą dokumentów. Klasyczny scenariusz to spotkanie: najpierw prześlij do Vibe porządek obrad (PDF), potem nagranie ze spotkania, a na końcu zapytaj: „Oto porządek obrad i nagranie z naszego spotkania. Dla każdego punktu porządku podsumuj, co zostało ustalone, i wymień działania do wykonania“. Model krzyżuje oba źródła, aby wygenerować ustrukturyzowane, punktowe podsumowanie – podczas gdy sama transkrypcja dałaby Ci długi, dosłowny zapis do redakcji, a sam porządek obrad byłby pustą skorupą.

Wariant studencki działa równie dobrze: prześlij slajdy z kursu (PDF), potem nagranie audio wykładu profesora i poproś: „Stwórz kompleksowe notatki do powtórki, łącząc slajdy z ustnymi wyjaśnieniami profesora“. Slajdy dostarczają struktury i precyzyjnych definicji; audio dodaje wyjaśnień, przykładów i nacisku. Końcowe notatki są znacznie bogatsze niż to, co mogłoby zapewnić każde ze źródeł osobno.

Cztery profesjonalne przepływy pracy do powielenia

W ramach wywiadu konkurencyjnego zrób zrzuty ekranu trzech stron głównych konkurentów, prześlij je do Vibe i zapytaj: „Porównaj te 3 strony główne. Wskaż mocne i słabe strony każdej z nich pod kątem przekazu, designu i wezwania do działania“.

Przy wdrażaniu klienta prześlij podpisany kontrakt (PDF), a następnie brief klienta (dokument lub obraz) i zapytaj: „Podsumuj zobowiązania umowne i skonfrontuj je z oczekiwaniami z briefu. Czy występują jakieś niespójności?“. Wczesne wychwycenie takich rozbieżności zapobiega sytuacji, gdy w trakcie projektu okazuje się, że obietnica handlowa nie figuruje w umowie.

Do analizy wydarzenia połącz trzy źródła: zdjęcia z eventu, nagrania audio przemówień i program (PDF), a następnie zapytaj: „Stwórz raport po wydarzeniu, wyróżniając kluczowe momenty, memorabilne cytaty i oceniając, jak dobrze zrealizowano program“.

W przypadku szkoleń wewnętrznych odwróć kolejność: nagraj swoje ustne wyjaśnienie procesu, pozwól Vibe je przetranskrybować, poproś: „Przekształć tę transkrypcję w ustrukturyzowany przewodnik proceduralny z ponumerowanymi krokami“, a następnie dodaj zrzuty ekranu z poleceniem: „Zintegruj opisy tych zrzutów jako ilustracje do każdego kroku“. W czterech wiadomościach improwizowane wyjaśnienie staje się formalną dokumentacją.

Płynne uruchamianie mechanizmu

Kilka nawyków sprawia, że te przepływy pracy działają znacznie płynniej. Kontekstualizuj każdy przesyłany plik – „To jest porządek obrad“, „Oto odpowiednie nagranie“ – aby model poprawnie powiązał źródła. Przy złożonych przepływach działaj krok po kroku: zamiast wysyłać wszystko w jednej wiadomości, buduj konwersację wiadomość po wiadomości, walidując każdy etap przed przejściem do kolejnego. Nadawaj plikom wyraźne nazwy przed wysłaniem: „raport-q3-2026.pdf“ informuje model; „dokument.pdf“ nie mówi nic. I pamiętaj, że tryb głosowy to sama w sobie modalność wejściowa: przy długich instrukcjach podyktuj je, zamiast pisać akapit.

Kluczowe wnioski

  • Łączenie obrazu + tekstu + dźwięku + dokumentu w jednym przepływie pracy wielokrotnie zwiększa możliwości
  • Najpotężniejsze przepływy krzyżują wiele źródeł: audio ze spotkania + porządek obrad, zdjęcia + brief klienta
  • Kontekstualizuj każdy przesyłany plik, aby pomóc modelowi w правильном powiązaniu źródeł
  • W złożonych przepływach działaj krok po kroku, zamiast wysyłać wszystko naraz
  • Tryb głosowy może służyć jako narzędzie wejściowe do szczegółowych instrukcji