Visual Language Model (VLM) - это модель машинного обучения, которая позволяет роботам понимать и интерпретировать своё окружение. VLM анализирует визуальные данные (например, изображения или видео) и соотносит их с языковой информацией, чтобы определить, какие объекты находятся в поле зрения робота и как они могут быть использованы. Это ключевой элемент для обучения и функционирования роботов, позволяющий им адаптироваться к различным ситуациям и выполнять задачи в незнакомых условиях.