什么是视觉语言模型（VLM）？AI 如何连接图像与文字

视觉语言模型将视觉特征与语言相连，使系统能用文字描述、比较、检索或推理图像。其运行可分为五步：将图像分割或编码为视觉 token、编码伴随文本、连接两种表示、在图像区域与短语间进行注意力关联、解码生成有依据的回答。文章指出它与仅预测固定标签、不涉及开放式语言的计算机视觉存在操作边界。