視覺語言模型（VLM）

視覺語言模型（VLM）結合影像、影片與文字理解，讓 AI 能辨識畫面、解析文件並進行多模態推理。近期發展從 Phi-4、LFM2.5-VL-3B 等桌機與端側模型，延伸至 Parse 5、Unlimited-OCR 的企業文件處理，以及 MirroS 將影片轉為可執行物理程式碼；同時也出現 PerceptionBench 與 PAS，檢驗模型能力及視覺幻覺。值得追蹤其部署成本、評測可信度，以及在公部門與產業流程中的實際效益。