AI视觉

视觉语言模型（VLM）：它和多模态模型、图像理解有什么关系

视觉语言模型，也就是 VLM，是最近讨论度很高的一类模型。很多人会把它和“多模态模型”混着说，其实两者关系很近，但不完全一样。VLM 更强调模型能够同时处理图像和文本，并把视觉信息和语言信息放进同一个理解与生成过程里。也正因为这样，它被广泛用在看图问答、文档理解、图像描述、视觉检索和界面理解等场景里...