Mô hình ngôn ngữ-thị giác hoặc mô hình thị giác-ngôn ngữ (tiếng Anh: vision-language model, viết tắt: VLM) là một loại mô hình học sâu đa phương thức có khả năng xử lý đồng thời thông tin từ hình ảnh và văn bản, mở rộng khả năng của các mô hình ngôn ngữ lớn (LLM) vốn chỉ hoạt động trên dữ liệu văn bản. Đây là một dạng học đa phương thức.
Nhiều ứng dụng thương mại phổ biến hiện nay dựa trên khả năng này. OpenAI giới thiệu tính năng thị giác máy tính trong phiên bản GPT-4V của mô hình GPT-4, cho phép người dùng đưa ảnh chụp hoặc sơ đồ vào cuộc trò chuyện với ChatGPT và tính năng này sau đó trở thành một phần tiêu chuẩn của sản phẩm. Các khả năng tương tự cũng được tích hợp vào Gemini của Google, Claude của Anthropic, và Microsoft Copilot with Vision. Song song đó, nhiều VLM mã nguồn mở như LLaVA, InstructBLIP, và Qwen2-VL cũng được cộng đồng nghiên cứu phát hành, cung cấp các lựa chọn thay thế quy mô nhỏ hơn cho nghiên cứu học thuật và thử nghiệm.
