根据发布会上的演示，用户能够结合图像、视频片段等多模态信息，将脑海中的多维度复杂想法传达给AI。这也意味着，用户在使用AI生成视频时，提示词中可以夹带图片或视频。业内也将这种全新的交互模式称为MVL（Multi-modal Visual Language，即多模态视觉语言）。