Un modèle vision-langage est un système IA multimodal qui traite et raisonne sur les images et le texte simultanément, comprenant la relation entre contenu visuel et textuel. Exemples : GPT-4V, Gemini, LLaVA, Claude 3 Vision. Les VLM répondent à des questions sur des images, génèrent des descriptions textuelles de scènes visuelles et suivent des instructions multimodales complexes. Ils transforment l'interaction des entreprises avec les données visuelles.