VLM
视觉语言模型（VLM）是融合视觉与语言理解能力的多模态AI模型，通常由视觉编码器（Vision Encoder）和大语言模型（LLM）组成，能够处理图像、视频等视觉输入并生成文本输出
核心事实
时间轴 (近 90 天)
ViSkill 是一个视觉原生技能学习框架，让 VLM 智能体将成功交互编码为复合视觉技能卡，在推理与奖励塑造中直接调用，并通过闭环反馈让技能库与策略彼此强化。
ViSkill 框架的上限在一定程度上受限于所选 VLM 的空间感知能力。
ViSkill 把技能卡以视觉形式存储，并在推理时作为图像上下文喂给 VLM，让模型自身的视觉编码器处理几何结构，而非先由外部流程将空间关系翻译成文字。
VLM 在图像描述、视觉问答等任务上表现优异，但其空间理解能力长期存在争议，模型可能通过语言先验猜对答案而非真正构建空间表征。
OuroWorld的核心方法是使用视觉语言模型（VLM）推断场景动态，借助视频模型合成参考视频，再将其提升并补全为多视角视频序列。
Verdandi 的核心设计理念是'VLM不做法官、陪审团和行刑者'，系统不会让视觉模型拥有完全决策权。
HnS方法的效果高度依赖VLM的概念检索能力和概念区域的定位精度
对于机器人导航、游戏AI、流程自动化等依赖精确多步推理的场景，仅凭空间感知得分选型不够，步骤级诊断能力才是真正的试金石
VLM在视觉信号不足时，语言先验会接管并以自然流畅的方式填补模型实际上没看到的内容
基于 VLM（视觉语言模型）的解析在不同运行之间可能产生漂移（运行间漂移），导致同一文件两次输出不一致
还有 40 条时间轴事件
全部知识事实 (20)
Qwen-VL是阿里巴巴达摩院推出的视觉语言模型系列，基于Qwen大语言模型扩展而来，采用ViT视觉编码器与Qwen语言模型的组合架构，通过位置感知的视觉-语言适配器实现跨模态对齐
85%已验证VLM（视觉语言模型）通常由视觉编码器（如ViT）、语言模型和连接两者的投影层组成，代表性模型包括GPT-4V/4o、Claude 3.5、LLaVA系列和InternVL
80%已验证VLM（视觉语言模型）的典型架构包含三个核心组件：视觉编码器（如ViT）、语言模型（通常是大型语言模型）、以及连接二者的投影层或适配器模块
70%已验证VLM由视觉编码器、语言模型骨干和跨模态对齐模块三部分构成
65%待验证标注模式背后依赖视觉语言模型（VLM）的跨模态对齐能力，将用户在截图上圈选的空间区域映射回对应的HTML/CSS代码片段
85%待验证基于VLM的OCR相比Tesseract等传统OCR引擎，在上下文理解、复杂版面处理和多语言支持方面有明显优势
75%待验证与传统 RPA 依赖预录制坐标脚本不同，基于视觉语言模型的 computer use 能理解界面语义，具备更强泛化能力
60%待验证多模态大模型的架构核心必然包含一个大语言模型（LLM）在背后支撑
60%待验证安防监控目标检索、医学影像微小病灶识别、卫星图像分析等场景共同的技术难点是目标占比极小、背景干扰强烈、对漏检容忍度极低
60%待验证ViSkill 是一个视觉原生技能学习框架，让 VLM 智能体将成功交互编码为复合视觉技能卡，在推理与奖励塑造中直接调用，并通过闭环反馈让技能库与策略彼此强化。
50%待验证ViSkill 框架的上限在一定程度上受限于所选 VLM 的空间感知能力。
50%待验证ViSkill 把技能卡以视觉形式存储，并在推理时作为图像上下文喂给 VLM，让模型自身的视觉编码器处理几何结构，而非先由外部流程将空间关系翻译成文字。
50%待验证VLM 在图像描述、视觉问答等任务上表现优异，但其空间理解能力长期存在争议，模型可能通过语言先验猜对答案而非真正构建空间表征。
50%待验证OuroWorld的核心方法是使用视觉语言模型（VLM）推断场景动态，借助视频模型合成参考视频，再将其提升并补全为多视角视频序列。
50%待验证Verdandi 的核心设计理念是'VLM不做法官、陪审团和行刑者'，系统不会让视觉模型拥有完全决策权。
50%待验证HnS方法的效果高度依赖VLM的概念检索能力和概念区域的定位精度
50%待验证对于机器人导航、游戏AI、流程自动化等依赖精确多步推理的场景，仅凭空间感知得分选型不够，步骤级诊断能力才是真正的试金石
50%待验证VLM在视觉信号不足时，语言先验会接管并以自然流畅的方式填补模型实际上没看到的内容
50%待验证基于 VLM（视觉语言模型）的解析在不同运行之间可能产生漂移（运行间漂移），导致同一文件两次输出不一致
50%待验证应对 VLM 运行间漂移的常见方式包括固定随机种子、将温度设为 0，或对同一页面多次采样后取多数投票
50%