VLM 是什么？

10 秒看懂

VLM 是能同时理解视觉和语言的模型。

说人话

VLM 是能同时理解视觉和语言的模型。 这是帮助入门的简化说法，不代表所有产品的实现都完全一样。

一个比喻

像一个既能看图，又能听懂你在问什么的助手。

比喻只帮助理解，不是完整技术定义。

真实使用例子

你什么时候会遇到它？

截图分析、图片问答、文档识别和视觉 Agent 中常见。

你需要关心它吗

如果工作涉及图片或界面分析，值得了解；纯文字任务通常不必先关心。

最容易搞混

VLM 专注视觉与语言；Multimodal 范围更广，还可能包括音频、视频或其他输入。

Related Terms

• Multimodal
• LLM
• AIGC