Vision-Language-Model (VLM)
Auch: Bild-Sprach-Modell
Ein Modell, das Bilder und Text gemeinsam versteht und zum Beispiel Fragen zu einem Foto beantworten kann.
VLMs verbinden einen Bild-Encoder mit einem Sprachmodell. Sie können Screenshots erklären, Tabellen aus Scans auslesen, Diagramme interpretieren oder Produktfotos beschreiben.
In Unternehmen werden sie etwa zur Dokumentenverarbeitung, Qualitätskontrolle oder für Barrierefreiheit (automatische Bildbeschreibungen) eingesetzt.
Allgemeine Information, keine Rechts- oder Fachberatung.