ビジョン言語モデルとは

画像や動画などの視覚情報と、文章などの言語情報を同時に理解・処理できるAIモデル。画像に写っているものを言葉で説明したり、指示文に合った画像を認識したりできる。

たとえるなら — 絵本を見ながら、絵に描かれた状況を自分の言葉で読み聞かせできる人のようなもの。