Modèle vision-langage

Définition

Modèle d’IA entraîné sur de grandes quantités de paires image-texte, qui relie ce qu’il voit à des descriptions en langage naturel. Il peut reconnaître des objets qu’on lui décrit par des mots sans entraînement propre à chaque tâche. Il sert de base aux modèles vision-langage-action utilisés en robotique.

Vérifié le 28 septembre 2026 contre les références ci-dessous.

Termes liés

• VLA (modèle vision-langage-action)
• Grand modèle de langage
• Modèle de fondation

Références

• Zhang et al., « Vision-Language Models for Vision Tasks: A Survey » (arXiv:2304.00685)
• Brohan et al., « RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control », 2023 (arXiv:2307.15818)