AI 百科词条

视觉语言模型（VLM (Vision Language Model)）是什么？

能同时「看图」和「说话」的模型：截图、单据、界面都读得懂。

一句话说清楚

视觉语言模型在语言模型上接入了视觉理解：输入一张图，它能描述内容、回答问题、提取结构化信息。落地场景非常具体——发票与单据识别、UI 截图转需求描述、图纸与流程图解读、商品图内容审核。它与传统 OCR 的区别在于「理解」：OCR 只认字，VLM 能看懂图表逻辑、界面层级甚至图表趋势。

需要「看懂再回答」的任务（图表问答、截图分析、单据结构化）选 VLM；只是把图片变文字（扫描件转 Word）传统 OCR 更快更便宜。

VLM 会「看图编故事」：对图片里不存在的细节一本正经地描述，重要信息（金额、日期、编号）务必人工复核或与 OCR 结果交叉验证。

AI 编程：从行间补全到整仓生成

选型看两点：与现有 IDE/语言栈的贴合度，以及「能读懂多大上下文」。

录音转文字：会议、访谈、课程全场景

会议纪要看说话人分离与摘要能力，访谈整理看准确率与时间戳，课程听打看长音频支持。

AI 读论文：速读、问答到文献综述

先让 AI 产出结构化摘要（问题/方法/结论），再针对公式与实验细节追问，支持引用溯源的工具可信度更高。