什么是 VLM？
VLM（Vision Language Model，视觉语言模型）是一种能够同时处理图像和文本的多模态 AI 模型。与传统的纯文本大模型不同，VLM 拥有视觉编码器，可以将图像"翻译"成模型能理解的表示，从而实现看图、识图、理解图的能力。
VLM 能做什么？
图像描述：给出一张图片，VLM 能用自然语言描述图片中的场景、物体、人物和活动。
视觉问答：针对图片提问，如"这张图表中的趋势是什么？""图中有几个人？"。
文档分析：理解扫描文档、PDF、PPT 截图中的文字和布局，提取关键信息。
手写识别：识别手写笔记、表单、签名等内容。
代码截图：看懂代码截图，识别编程语言和逻辑。
主流 VLM 产品
- ·GPT-4V / GPT-4o：OpenAI 的视觉模型，能力最全面
- ·Claude 3.5 Vision：Anthropic 的视觉模型，文档分析能力强
- ·Gemini：Google 原生多模态模型
- ·通义千问 VL：阿里出品，中文文档理解表现优秀
- ·Qwen-VL：开源视觉语言模型
VLM 的应用场景
VLM 在文档数字化、内容审核、辅助驾驶、医疗影像分析、电商商品识别、教育辅导等领域有广泛应用。例如，上传一张药盒照片让 AI 说明用法用量，或上传一张数据图表让 AI 分析趋势。