视觉语言模型（Vision-Language Model,VLM）是一种能够同时理解和处理图像/视频与文本信息的人工智能模型，可实现图像描述、视觉问答、图文检索等复杂任务，正广泛应用于内容分析、智能助手、机器人等领域。

VLM 的典型架构遵循清晰的三层信息处理流程：视觉编码器（如 ViT）将输入图像转换为抽象的视觉特征向量，投影层（如线性层或 Q-Former）将这些视觉特征对齐到语言模型的语义空间，大语言模型接收这些对齐后的特征与文本指令，进行统一的理解、推理与内容生成。