نموذج الرؤية واللغة

شبكة عصبية مُدرَّبة على معالجة الصور والنصوص معاً، عادةً على بيانات بحجم الإنترنت. تستطيع وصف الصور والإجابة عن أسئلة بصرية وأداء مهام متعددة الوسائط.

A neural network trained to jointly process images and text, typically on internet-scale data. VLMs can caption images, answer visual questions, and perform various multimodal tasks.