VLMs(视觉语言模型)是能够同时理解和处理图像与文本信息的人工智能系统，正在成为多模态AI领域的研究热点。2024年以来，VLMs在多个专业领域展现出强大的应用潜力，同时也暴露出一些技术局限性。
VLMs 近期进展
当前焦点与观察点
VLMs技术发展呈现出专业化与实用化的双重趋势。一方面，研究人员正致力于提升VLMs在特定领域的专业能力，如医学图像分析、工业流程识别等；另一方面，如何解决VLMs的固有局限性，如计数准确性、空间数值理解等问题，成为当前研究的重要方向。
2024年5月发布的SPACENUM研究重新审视了VLMs的空间数值理解能力，发现现有模型在处理空间关系和数值计算时仍存在明显不足。(SPACENUM：重新审视VLMs的空间数值理解能力)
同时，Analysis-by-Proxy方法探索了将VLMs作为条件编码器中的定位信号的可能性，为提升模型的定位准确性提供了新思路。(Analysis-by-Proxy：VLMs作为条件编码器中的定位信号)
总体来看，VLMs技术在保持快速发展的同时，也面临着准确性和专业性的挑战，未来研究需要在提升基础能力与增强专业应用之间找到平衡点。