詳細解釋
視覺語言模型（Vision Language Model, VLM）是結合視覺理解和語言能力的AI模型，處理圖文雙模態任務。
核心能力：
- 圖像理解：識別物體、場景、關係
- 視覺問答：根據圖像回答問題
- 圖像描述：生成自然語言描述
- 視覺推理：邏輯推理圖中資訊
架構類型：
- 雙塔：獨立編碼器+融合模塊
- 單塔：統一處理多模態
- 凍結LLM：只訓練視覺投影
- 端到端：全參數訓練
代表模型：
- CLIP：對齊圖文表示
- BLIP/BLIP-2：圖文預訓練
- LLaVA：開源VLM代表
- MiniGPT-4：輕量VLM
訓練數據：
- 圖文對：圖片-標題、圖片-描述
- 視覺問答：VQA、GQA數據集
- 文檔圖表：OCR+結構理解
應用：
- 電商：圖片搜索、商品描述
- 教育：圖文教學材料
- 機器人：視覺指令遵循
- 自動駕駛：場景理解
是多模態 AI的核心組件。