英文：视觉语言模型（VLM） 分类：multimodal
能够同时理解视觉信息（图像、视频）与文本信息，并在两者之间进行推理的多模态大模型。视觉语言模型是"机器的眼睛+大脑"的结合：视觉编码器把图像转化为特征，语言模型负责理解与回答，使模型能够看图说话、图文互证，是自动驾驶、具身智能、文档智能、内容审核等众多 AI 应用的感知基座。
典型架构为"视觉编码器 + 模态对齐投影 + 大语言模型"：视觉编码器（如 CLIP/ViT）提取图像特征，经 Q-Former 或线性投影等桥接模块映射到语言空间，再由大语言模型统一处理；训练上以图文对比学习（CLIP 式）预训练 + 指令微调（LLaVA 式）为主，并逐步引入视频帧序列与音视频联合理解。评估侧重图文检索、视觉问答（VQA）、图像描述、文档理解等能力维度。
2021 年 CLIP 建立图文对齐范式；2023 年 LLaVA 等开源 VLM 大幅拉低门槛，GPT-4V 与 Gemini 将商业多模态能力推向实用；2024 年后 VLM 成为智能体（Agent）的感知核心，并出现专攻长视频理解、屏幕操作理解等细分方向的模型；2025-2026 年端侧 VLM 随手机 NPU 普及走向本地化。
图像与视频问答、OCR 与文档智能、屏幕理解与自动化操作、具身智能感知、内容安全审核、无障碍辅助（看图说话）。