视觉语言模型（VLM）

结合视觉编码器与语言模型的图像理解模型。

视觉语言模型（VLM）把图像转为视觉 Token 后交给语言模型，可完成图像描述、图表解读、截图分析等任务。GPT Image、Gemini 系列与 Qwen-VL 等均属此类。