视觉语言模型（Vision-Language Model，VLM）是能同时处理图像与文本的多模态大模型：把图像编码成模型能理解的“视觉词元”，与文本一起送入大语言模型，从而实现看图说话、读图问答、图表分析、界面操作理解等能力。
基本结构
视觉编码器（通常是 ViT 类模型）+ 连接层（把视觉特征对齐到语言空间）+ 大语言模型（负责理解与生成）。训练分两步：先用图文对做对齐预训练，再用指令数据微调出“看图听话”的能力。
能做什么
- 图像问答与描述：照片里有什么、这张梗图好笑在哪
- OCR 与文档理解：读扫描件、表格、票据（这也是文档智能的底座）
- GUI 理解：看懂软件截图与网页，是 Computer Use、浏览器智能体的眼睛
- 视觉推理：解几何题、看医学影像做辅助描述
代表模型
GPT-4o / GPT-5V、Claude、Gemini、Qwen-VL、InternVL、Llama 3.2 Vision 等。2026 年的主流大模型几乎全部 VLM 化——“纯文本大模型”正在成为历史概念。