Vision Language Model（VLM）とは？
読み方: ビジョンランゲージモデル
30秒まとめ
画像を理解しテキストで応答できるAIモデル。画像認識と言語理解を統合。
Vision Language Model（VLM）の意味・定義
Vision Language Model（VLM、視覚言語モデル）は、画像とテキストの両方を入力として受け取り、画像の内容を理解した上でテキストで応答できるAIモデルです。GPT-4V（Vision）、Claude 3 Vision、Gemini Pro Vision、LLaVAなどが代表的です。写真の内容説明、グラフやチャートの分析、手書き文字の認識（OCR）、UI/UXデザインの評価、医療画像の解析、製品検品など、従来のテキスト専用LLMでは不可能だったタスクに対応します。マルチモーダルAIの中核技術であり、画像エンコーダー（CLIP等）とLLMを組み合わせたアーキテクチャが一般的です。