VLM (Vision Language Model)
مدل زبان–بینایی
مدل زبان–بینایی؛ مدلی که هم متن و هم تصویر را درک و تولید می‌کند. VLM می‌تواند اطلاعات تصویری و زبانی را به هم مرتبط کند؛ مثلا یک تصویر را ببیند و درباره محتوای آن پاسخ متنی بدهد.
تعریف کامل
مدل زبان–بینایی؛ مدلی که هم متن و هم تصویر را درک و تولید می‌کند. VLM می‌تواند اطلاعات تصویری و زبانی را به هم مرتبط کند؛ مثلا یک تصویر را ببیند و درباره محتوای آن پاسخ متنی بدهد.