نموذج البصر واللغة نظام ذكاء اصطناعي متعدد الوسائط يعالج ويُفكّر في الصور والنصوص في آن واحد، فاهماً العلاقة بين المحتوى البصري والنصي. تشمل GPT-4V وGemini وLLaVA. تجيب VLMs عن أسئلة حول الصور وتُولّد أوصافاً نصية للمشاهد البصرية وتتبع تعليمات متعددة الوسائط.