Vision Language Model (VLM / Vizuálně-jazykový model)

Vision Language Model (VLM) je multimodální AI model, který dokáže současně chápat text i vizuální vstup (obrázky,schémata, fotky nebo videa). Na rozdíl od běžných textových modelů umí obrázek nejen popsat, ale také z něj odečíst data z grafu, přečíst rukopis, rozpoznat chybu v návrhu webu nebo analyzovat fotografii.

VLM modely otevírají dveře pokročilým aplikacím v medicíně (analýza rentgenů), zákaznické podpoře nebo průmyslové kontrole kvality. Pro uživatele to znamená možnost komunikovat s AI pomocí snímků obrazovky či fotografií z mobilu.