VLM（Vision Language Model）とは、画像を見て言葉で答えられるモデルのことである。「この写真に何が写っているか説明して」「このグラフの傾向を読んで」「この画面のどこを押せばいいか」に答える。

成立の背景には2つの流れの合流がある。言語側では大規模言語モデル（LLM）が十分な推論能力を獲得していた。視覚側ではCLIPが、画像を言語と親和的なベクトルに変換する方法を示していた。あとは両者をどうつなぐか、という問題になる。