画像をトークン列に変換して LLM に渡し、「この図は何を示すか」「スクショのどこが崩れているか」をテキストで答えます。OCR 的な解析やグラフの数値読み取りにも使えます。
一般語彙
570
VLM
ビジョン ランゲージ モデル
体験区分：少しだけ触った
推奨読者レベル：Level 3-4
何をしてくれるか
どこで出会うか
ChatGPT や Claude に画像を貼ると背後で動いています。UI スクショのレイアウト崩れを指摘させたり、Playwright MCP と組み合わせてデバッグする場面で登場します。
構造図
2026.04·ready
「Claude に UI のスクショを渡して、VLM 機能でレイアウト崩れを指摘してもらいました。」
VLMの見方
571
この用語の見どころ
1
役割
画像とテキストを統合して理解する言語モデルです。
2
うれしさ
「見せて説明させる」操作でデバッグや解析を自動化できます。
3
注意点
VLM / LMM / LVM は別概念で、業界で混在しています。
4
どこで役立つか
UI 確認・グラフ読み取り・OCR 代替など視覚処理全般で活躍します。
5
はじめに
「画像も読める LLM」と認識しておけば入門として十分です。
6
深掘り先
LLM、ViT（Vision Transformer）、マルチモーダル
非エンジニアのつまずき
- LLM とごっちゃになりやすく、マルチモーダル化で用語の切り分けが難しいです
私のコメント
- 第一印象:ロボットのビジョン文脈で初めて知った言葉です
- 良い点:言語モデルと視覚モデルを切り分けて正確に指せる点が良いです
- ダメな点:LLM も馴染まない中、VLM を日常会話で使うのはさらにハードルが高いです
- 誰向けか:AI 活用を推進する人で、用語を厳密に使いたい人向けです
開発フローでの位置
入力準備
画像エンコード
LLM 統合
テキスト出力
関連用語
J-15·term_general
バイブコーディング図鑑