Modelo de visión y lenguaje (VLM)
Un modelo de visión y lenguaje lee imágenes, y a menudo vídeo, junto con texto, así que puedes hacer preguntas sobre una foto, una captura de pantalla o una página de documento.
Un VLM combina un modelo de lenguaje con un codificador de visión que convierte la imagen en tokens que el modelo de lenguaje puede leer. La salida es texto, así que un VLM puede describir una foto, leer un gráfico, responder preguntas sobre una captura o convertir una página a Markdown. El término es más estrecho que modelo multimodal, que también cubre el audio y la generación de imágenes o voz.
Muchos lanzamientos de 2026 son VLM de serie, por ejemplo Qwen3.5, Gemma 4 y Mistral Large 4. Los modelos OCR de este sitio son VLM pequeños entrenados para un solo trabajo: leer documentos. Mira la columna de entradas en cada página de modelo, porque entrada de imagen no significa entrada de vídeo o audio.
Términos relacionados
- Modelo multimodal Un modelo multimodal puede manejar más de un tipo de datos, como texto, imágenes, audio o vídeo, como entrada, como salida o ambos.
- OCR y análisis de documentos El OCR convierte en texto la imagen de un texto; el análisis de documentos va más allá y reconstruye tablas, fórmulas, gráficos y el orden de lectura, normalmente como Markdown.
- Token Un token es un pequeño trozo de texto, a menudo una palabra o parte de una palabra, que un modelo de lenguaje lee y escribe; los modelos miden longitud y velocidad en tokens.