多模态三条路：Gemini 看图看视频，ChatGPT 抢语音，Claude 吃长文档
2026 年 8 月，多模态已经不是「能不能看图」的是非题，而是各家押不同入口。Gemini 在独立多模态榜和 Lens/相册/YouTube 工作流上最完整，并往图像与视频生成（Veo 等）延伸。ChatGPT 则把实时语音和对话内生图做成更完整的消费体验。Claude 很少被拿来和「生成一张海报」比，它的长处是读合同、读论文、读代码库。
这对内容站的选题结构很友好：同一周可以发三条不重复的稿——视觉工作流、语音助手、文档智能。读者关心的是自己的文件在哪，而不是参数量。
需要避免的写法是把「多模态第一」当成总冠军。第一通常只在某一类基准或某一类 App 里成立。