---
title: "¿Qué es un modelo de visión y lenguaje (VLM)? Cómo usarlo"
description: "Un modelo de visión y lenguaje lee imágenes y texto a la vez y responde en texto. Cómo enviar imágenes por una API compatible con OpenAI, su costo y usos comunes."
url: https://broadrouter.com/es/glossary/vision-language-model/
lang: es
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traducido del inglés con ayuda de IA. [Lea el original en inglés](https://broadrouter.com/glossary/vision-language-model/) (actualizado el 2026-11-14).

# Modelo de visión y lenguaje (VLM)

Actualizado 2026-11-14

Un modelo de visión y lenguaje (VLM) es un modelo que recibe imágenes y texto a la vez y produce texto, por lo que puede describir imágenes, responder preguntas sobre ellas y leer documentos, gráficos o capturas de pantalla. También se les llama modelos image-text-to-text o multimodales.

También llamado: modelo de visión, modelo de lenguaje con visión, LLM multimodal, IA que lee imágenes, API de visión, VLM, vision-language model, vision model, multimodal LLM, image-text-to-text model, vision API

Un modelo de visión y lenguaje le permite preguntar sobre una imagen igual que pregunta sobre un texto.

## Cómo funciona

Hugging Face describe estos modelos de forma sencilla: “take in an image and text prompt and output text.” (traducción: reciben una imagen y un prompt de texto y devuelven texto). Se entrenan con pares de imagen y texto, así que aprenden a relacionar lo que ven con el lenguaje.

Con una API compatible con OpenAI, la imagen va dentro del mensaje como una parte de contenido (content part). Puede ser una URL pública o una data URL en base64:

```python
import base64, os
from openai import OpenAI

client = OpenAI(base_url="https://inference.broadnet.ai/v1", api_key=os.environ["BROADNET_API_KEY"])
b64 = base64.b64encode(open("receipt.jpg", "rb").read()).decode()

reply = client.chat.completions.create(
    model="broadnet/qwen3.8-27b",
    max_tokens=2000,
    messages=[{"role": "user", "content": [
        {"type": "text", "text": "Return the vendor and total as JSON."},
        {"type": "image_url", "image_url": {"url": f"data:image/jpeg;base64,{b64}"}},
    ]}],
)
print(reply.choices[0].message.content)
```

El modelo convierte la imagen en [tokens](https://broadrouter.com/es/glossary/token/) de entrada, los lee junto con su texto y escribe una respuesta.

## Por qué importa

-   **Documentos.** Facturas, recibos, formularios e identificaciones pueden ir directo a un modelo, a menudo con [salida estructurada](https://broadrouter.com/es/glossary/structured-output/) para obtener los campos en JSON.
-   **Pantallas y gráficos.** Los agentes pueden leer capturas de pantalla y dashboards; las herramientas de soporte pueden leer las fotos que envían los usuarios.
-   **Costo y límites.** Cada imagen añade tokens de entrada y ocupa parte de la [ventana de contexto](https://broadrouter.com/es/glossary/context-window/). Muchas imágenes en una sola solicitud suman rápido.

Revise el resultado. Los VLM pueden leer mal texto pequeño o borroso y pueden dar cifras equivocadas con total seguridad. En todo lo que mueva dinero, valide los totales en código.

## En BroadNet Inference

Tres modelos de chat aceptan imágenes:

| Modelo | Entrada | Contexto |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/es/models/deepseek-v4.1-flash/) | Texto e imagen | 1,048,576 tokens |
| [Qwen3.8 27B](https://broadrouter.com/es/models/qwen3.8-27b/) | Texto e imagen | 262,144 tokens |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/es/models/gemma-4-vl-26b/) | Texto e imagen | 32,768 tokens |

GLM 5.3 es solo texto. BroadNet Gemma 4 VL 26B cuesta $0.10 por 1M de tokens de entrada y funciona con el crédito inicial gratuito de $5. BroadNet probó Qwen3.8 27B en árabe, y también admite salida estructurada. En pago por uso, una imagen cuenta como tokens de entrada, y las imágenes más grandes consumen más.

La [guía de facturas en árabe](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) recorre una extracción completa. Mantenga correcto el tipo MIME en la data URL y deje margen en `max_tokens` con los modelos de razonamiento.

## Preguntas frecuentes

### ¿Un modelo de visión y lenguaje es lo mismo que un OCR?

No. El OCR convierte el texto impreso de una imagen en caracteres. Un VLM también puede leer texto, pero entiende la disposición y el contenido, así que responde preguntas como cuál línea es el total o qué muestra un gráfico.

### ¿Las imágenes consumen tokens?

Sí. Las imágenes se convierten en tokens de entrada. Las imágenes más grandes suelen consumir más, así que redúzcalas al tamaño mínimo que conserve el detalle que necesita.

### ¿Qué modelos de BroadNet aceptan imágenes?

DeepSeek V4.1 Flash, Qwen3.8 27B y BroadNet Gemma 4 VL 26B aceptan entrada de texto e imagen. GLM 5.3 es solo texto.

## Vea también

-   [Salida estructurada (structured output)](https://broadrouter.com/es/glossary/structured-output/) (término)
-   [Token](https://broadrouter.com/es/glossary/token/) (término)
-   [Modelo de pesos abiertos (open-weight model)](https://broadrouter.com/es/glossary/open-weight-model/) (término)
-   [Ventana de contexto (context window)](https://broadrouter.com/es/glossary/context-window/) (término)
-   [IA multimodal (multimodal AI)](https://broadrouter.com/es/glossary/multimodal/) (término)
-   [Reconocimiento óptico de caracteres (OCR)](https://broadrouter.com/es/glossary/ocr/) (término)
-   [Tokens de imagen (image tokens)](https://broadrouter.com/es/glossary/image-tokens/) (término)
-   [Lea facturas y recibos en árabe con un modelo de visión](https://broadrouter.com/es/guides/read-arabic-invoices-with-vision/) (guía)
-   [Usar el SDK de OpenAI para Python con BroadNet Inference](https://broadrouter.com/es/guides/openai-python-sdk/) (guía)
-   [Cómo elegir una API de LLM para árabe: qué probar](https://broadrouter.com/es/blog/choosing-an-llm-for-arabic/) (artículo)

Pruébelo con su carga de trabajo real. Las cuentas nuevas empiezan con USD 5 de crédito para Gemma y transcripción. DeepSeek, GLM y Qwen3.8 requieren una recarga.

[Comenzar](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-vision-language-model&utm_content=page-cta) ·

**Fuentes**

-   [Hugging Face Tasks, image-text-to-text (modelos de visión y lenguaje)](https://huggingface.co/tasks/image-text-to-text)
-   [Referencia de la API de OpenAI, crear chat completion (partes de contenido con imagen)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Referencia de la API de BroadNet Inference, modelos (en inglés)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=es-glossary-vision-language-model&utm_content=sources#models)
