模型

Vision-Language Model（视觉语言模型）

视觉语言模型是同时处理图像和文本的多模态AI模型，能完成图像描述、视觉问答等任务。

收录于 2026/9/2相关资讯 28 篇近 30 天 20 篇在词典中查看 →

详细解释

视觉语言模型（如CLIP、GPT-4V）通过联合学习图像和文本的表示，实现跨模态理解。它们通常基于大规模预训练，使用对比学习或生成式目标。这些模型在图像检索、视频理解、辅助驾驶等领域有广泛应用，推动了多模态AI的发展。

别名与相关写法

vision-language modelVision-Language Model视觉语言模型VLM

相关术语

Language Model共现 19 篇

Agent共现 3 篇

Distillation共现 2 篇

Multimodal共现 2 篇

Reasoning共现 2 篇

Decoding共现 2 篇

相关公司

阿里巴巴2 篇 OpenAI2 篇 Block1 篇 Canva1 篇英特尔（Intel）1 篇

相关资讯

GLANCE：视觉语言模型的无损单次块草稿解码2026/9/2

Canva 发布设计专用视觉语言模型 Brush2026/10/30

研究：先问视角会改变视觉语言模型的选择，GPT 与 Qwen3.8 均受影响2026/10/22

CNRF：视觉语言模型的选择性安全防护框架2026/10/16

PVFH-Bench：视觉语言模型前提诱导视觉固着幻觉基准2026/10/14

MOSAIC：视觉语言模型的补丁级训练样本归因2026/10/14

MedBenchAgent：医疗 VLM 基准构建的系统化自动化2026/10/9

研究提出 LLM-IDEA 可识别性驱动自主发现智能体2026/10/9

完整术语表见 AI 术语词典；每日新术语与进展见 AI 早报。