---
title: "Qu’est-ce qu’un modèle vision-langage (VLM) ? | BroadRouter"
description: "Un modèle vision-langage lit images et texte ensemble et répond en texte. Comment envoyer une image via une API compatible OpenAI, ce que cela coûte et les usages."
url: https://broadrouter.com/fr/glossary/vision-language-model/
lang: fr
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Traduit de l’anglais avec l’aide de l’IA. [Lire l’original en anglais](https://broadrouter.com/glossary/vision-language-model/) (mis à jour le 2026-11-14).

# Modèle vision-langage (VLM)

Mis à jour 2026-11-14

Un modèle vision-langage (VLM) est un modèle qui prend en entrée des images et du texte ensemble et produit du texte : il peut décrire des images, répondre à des questions à leur sujet et lire des documents, des graphiques ou des captures d’écran. On parle aussi de modèles image-texte-vers-texte ou multimodaux.

Aussi appelé : VLM, modèle de vision, LLM multimodal, modèle multimodal, API de vision, vision-language model, vision model, multimodal LLM, image-text-to-text model, vision API

Un modèle vision-langage vous permet de poser des questions sur une image comme sur un texte.

## Comment ça marche

Hugging Face décrit simplement ces modèles : ils « take in an image and text prompt and output text » (traduction : « prennent une image et un prompt texte en entrée et produisent du texte »). Ils sont entraînés sur des paires image-texte et apprennent ainsi à relier ce qu’ils voient au langage.

Via une API compatible OpenAI, l’image est placée dans le message sous forme de partie de contenu. Ce peut être une URL publique ou une 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)
```

Le modèle convertit l’image en [tokens](https://broadrouter.com/fr/glossary/token/) d’entrée, les lit avec votre texte et rédige une réponse.

## Pourquoi c’est important

-   **Documents.** Factures, tickets de caisse, formulaires et pièces d’identité peuvent aller directement à un modèle, souvent avec une [sortie structurée](https://broadrouter.com/fr/glossary/structured-output/) pour récupérer les champs en JSON.
-   **Écrans et graphiques.** Les agents peuvent lire captures d’écran et tableaux de bord ; les outils de support peuvent lire les photos envoyées par les utilisateurs.
-   **Coût et limites.** Chaque image ajoute des tokens d’entrée et occupe une partie de la [fenêtre de contexte](https://broadrouter.com/fr/glossary/context-window/). Beaucoup d’images dans une requête, et la note grimpe vite.

Vérifiez le résultat. Les VLM peuvent mal lire un texte petit ou flou et annoncer des chiffres faux avec assurance. Pour tout ce qui engage de l’argent, validez les totaux dans le code.

## Sur BroadNet Inference

Trois modèles de chat acceptent les images :

| Modèle | Entrée | Contexte |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/fr/models/deepseek-v4.1-flash/) | Texte et image | 1 048 576 tokens |
| [Qwen3.8 27B](https://broadrouter.com/fr/models/qwen3.8-27b/) | Texte et image | 262 144 tokens |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/fr/models/gemma-4-vl-26b/) | Texte et image | 32 768 tokens |

GLM 5.3 ne traite que le texte. BroadNet Gemma 4 VL 26B coûte $0.10 par million de tokens d’entrée et fonctionne avec le crédit de départ gratuit de $5. Qwen3.8 27B a été testé par BroadNet en arabe et prend aussi en charge la sortie structurée. En paiement à l’usage, une image compte comme des tokens d’entrée, et les grandes images en consomment davantage.

Le [guide des factures en arabe](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/) présente une extraction complète. Gardez un type MIME exact dans la data URL, et laissez de la marge dans `max_tokens` avec les modèles de raisonnement.

## Questions fréquentes

### Un modèle vision-langage, est-ce la même chose que l’OCR ?

Non. L’OCR convertit le texte imprimé d’une image en caractères. Un VLM sait aussi lire du texte, mais il comprend la mise en page et le contenu : il peut donc répondre à des questions comme « quelle ligne est le total ? » ou « que montre ce graphique ? ».

### Les images consomment-elles des tokens ?

Oui. Les images sont converties en tokens d’entrée. Les plus grandes en consomment en général davantage : redimensionnez-les à la plus petite taille qui conserve le détail dont vous avez besoin.

### Quels modèles BroadNet acceptent les images ?

DeepSeek V4.1 Flash, Qwen3.8 27B et BroadNet Gemma 4 VL 26B acceptent le texte et l’image en entrée. GLM 5.3 ne traite que le texte.

## Voir aussi

-   [Sortie structurée (structured output)](https://broadrouter.com/fr/glossary/structured-output/) (terme)
-   [Token](https://broadrouter.com/fr/glossary/token/) (terme)
-   [Modèle open-weight (à poids ouverts)](https://broadrouter.com/fr/glossary/open-weight-model/) (terme)
-   [Fenêtre de contexte (context window)](https://broadrouter.com/fr/glossary/context-window/) (terme)
-   [IA multimodale (multimodal AI)](https://broadrouter.com/fr/glossary/multimodal/) (terme)
-   [Reconnaissance optique de caractères (OCR)](https://broadrouter.com/fr/glossary/ocr/) (terme)
-   [Tokens d’image (image tokens)](https://broadrouter.com/fr/glossary/image-tokens/) (terme)
-   [Lire des factures et reçus arabes avec un modèle de vision](https://broadrouter.com/fr/guides/read-arabic-invoices-with-vision/) (guide)
-   [Utiliser le SDK Python d’OpenAI avec BroadNet Inference](https://broadrouter.com/fr/guides/openai-python-sdk/) (guide)
-   [Choisir une API LLM pour l’arabe : ce qu’il faut tester](https://broadrouter.com/fr/blog/choosing-an-llm-for-arabic/) (article)

Essayez-le sur votre vraie charge de travail. Les nouveaux comptes démarrent avec USD 5 de crédit pour Gemma et transcription. DeepSeek, GLM et Qwen3.8 nécessitent une recharge.

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

**Sources**

-   [Hugging Face Tasks, image-text-to-text (modèles vision-langage)](https://huggingface.co/tasks/image-text-to-text)
-   [Référence de l’API OpenAI, créer une chat completion (parties de contenu image)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Référence de l’API BroadNet Inference, modèles (en anglais)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=fr-glossary-vision-language-model&utm_content=sources#models)
