Modèle vision-langage (VLM)

Un modèle vision-langage lit les images, et souvent les vidéos, en même temps que du texte ; vous pouvez donc poser des questions sur une photo, une capture d'écran ou une page de document.

  • Modèles et architecture
  • Mis à jour le

Un VLM associe un modèle de langage à un encodeur de vision qui transforme l'image en tokens lisibles par le modèle de langage. La sortie est du texte : un VLM peut décrire une photo, lire un graphique, répondre à des questions sur une capture d'écran ou convertir une page en Markdown. Le terme est plus étroit que modèle multimodal, qui couvre aussi l'audio et la génération d'images ou de voix.

Beaucoup de sorties de 2026 sont des VLM par défaut, par exemple Qwen3.5, Gemma 4 et Mistral Large 4. Les modèles OCR de ce site sont de petits VLM entraînés pour une seule tâche : lire des documents. Regardez la colonne des entrées sur chaque page de modèle : une entrée image ne signifie pas une entrée vidéo ou audio.

Termes associés

  • Modèle multimodal Un modèle multimodal peut traiter plus d'un type de données, comme du texte, des images, de l'audio ou de la vidéo, en entrée, en sortie ou les deux.
  • OCR et analyse de documents L'OCR transforme l'image d'un texte en texte ; l'analyse de documents va plus loin et reconstruit tableaux, formules, graphiques et ordre de lecture, généralement en Markdown.
  • Token (jeton) Un token est un petit morceau de texte, souvent un mot ou une partie d'un mot, qu'un modèle de langage lit et écrit ; les modèles mesurent longueur et vitesse en tokens.

Tous les termes