VLM（読み）ブイエルエム（その他表記）VLM

デジタル大辞泉

ブイ‐エル‐エム【VLM】［vision language model］

《vision language model》画像・動画などの視覚情報とテキストを統合的に処理できる大規模言語モデル。マルチモーダルAIの基盤となるMLLMとほぼ同義だが、視覚と言語の組み合わせを強調する場合はVLM、音声やセンサーデータなど、画像以外の複数のデータを扱う場合はMLLMとよばれる。画像のキャプション生成、OCR、グラフや図表の解釈・説明などが可能となる。視覚言語モデル。大規模視覚言語モデル。

出典　小学館