VLM（视觉语言模型）

VLM（Vision Language Model，视觉语言模型）是拥有「看」的能力的语言模型。输入照片、图片或文档，它就能读懂其中内容，用文字加以描述，并回答相关问题。

如果说只懂文字的语言模型（LLM）是一位只会笔谈的对话对象，那么VLM就是一位长了眼睛的对话对象。它能理解整份带图表的报告，读懂截图里的错误信息,还能从冰箱照片里认出食材。

可以把VLM理解为「多模态」这把大伞下专注于「视觉+语言」的一个分支。最近也经常出现用于机器人、自动驾驶的衍生模型——也就是能理解摄像头所见并转化为行动的模型（VLA）。以后在文章里看到VLM，直接把它理解成「能看懂图像的AI大脑」就行。

「新款VLM登顶图表·文档理解基准测试」——能多准确地读懂表格、图表、手写字这类「难啃的画面」，正是VLM竞争的主战场。

1. 从新闻或报告中截取一张带有图表的画面。
2. 把它上传给聊天机器人，这样提问：「说明这张图表中第一名和第三名的差距，并用一句话说说如果这个趋势持续下去会怎样」。
3. 把文字、柱状、坐标轴放在一起阅读并进行推理——这种超越单纯图片描述的「视觉理解」，正是VLM的真本事。也可以拿手写笔记或复杂表格来试试看。