視覚言語モデル（VLM）は、画像／動画とテキスト情報を同時に理解・処理できる人工知能モデルです。画像の説明、視覚的な質問応答、画像テキスト検索といった複雑なタスクを実行でき、コンテンツ分析、インテリジェントアシスタント、ロボット工学などの分野で広く利用されています。

一般的な VLM アーキテクチャは、明確な 3 層の情報処理フローに従います。視覚エンコーダー (ViT など) は入力画像を抽象的な視覚特徴ベクトルに変換し、投影層 (線形層や Q-Former など) はこれらの視覚特徴を言語モデルの意味空間に揃え、大規模言語モデルはこれらの揃えられた特徴とテキスト指示を受け取って、統一された理解、推論、コンテンツ生成を実行します。