Vision Language Model

类别： 架构
来源： wiki/sources/ingest-2026-06-全-网-炸-锅--A-n-t-h-r-o-p-i-c-万-字-曝-光-C-l-a-u-d-e-情-绪-代-码--被-人-类-逼-疯-哐-哐-撞-墙, wiki/sources/ingest-2026-06-A-I-模-型-分-类-体-系-深-度-研-究-报-告--从-L-L-M-到-L-A-M-的-八-类-架-构-全-景-与-演-进-逻-辑

核心定义

视觉语言模型（VLM），能够同时理解和生成图像与文本的多模态大模型，是构建多模态 Agent 与自动化界面的核心组件。

关键维度

• oP9sWxDQ，https://mmbiz.qpic.cn/mmbiz_jpg/Rvq8Ow69CYXCv6tWH6QPVaH6NFESxlS2zIibmrgxN3z1FydheQBjV1eSUaKp2iaeicKCuQNYdOzdW9OViaribffbGohugtzmkwHlKRRDib7ajVLmg/640?wx_fmt=jpeg&from=appmsg ## 引用统计 本文档收录于 ...
• 4日 研究类型: 技术分析报告（tech-analysis） 深度级别: 标准型（12,000-15,000字） 输出格式: Markdown 人工智能领域正经历从单一模型范式向多维度、多模态、多层次模型生态系统的深刻演进。本报告以用户提供的八大模型分类（LLM、多模态模型、VLM、LAM、SLM、MoE、扩散模型、领域/科学基础模型）为核心锚点，结合公开技术趋势与本地研究...

与 OpenClaw 的关系

本概念在 OpenClaw / Hermes Agent 生态的研究与实践中具有相关意义，详见引用来源中的具体案例分析。

引用统计

本概念在新增 sources 中被引用 2 次。