Vision-Language-Modell
Modell, das Bild und Sprache gemeinsam versteht.
Ein Vision-Language-Modell verarbeitet Bilder und Text gemeinsam und kann so Fragen zu Bildern beantworten, sie beschreiben oder Diagramme auswerten. Solche Modelle verbinden Bildverstehen mit Sprachfähigkeit und sind ein wichtiger Baustein multimodaler Assistenten.