Визуално-езикови модели (VLM)

Визуално-езиковите модели (Vision-Language Models, VLM) са мултимодални невронни мрежи, които съвместно обработват изображения и текст. Те могат да разчитат диаграми, да анализират видеопотоци и да идентифицират интерактивни визуални координати, служейки като очите на автономните системи за компютърно управление и роботика.