---
title: "Cos’è un modello vision-language (VLM)? Come usarlo via API"
description: "Un modello vision-language legge immagini e testo insieme e risponde in testo. Come inviare immagini a un’API compatibile OpenAI, quanto costano e gli usi comuni."
url: https://broadrouter.com/it/glossary/vision-language-model/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/vision-language-model/) (aggiornato il 2026-11-14).

# Modello vision-language (VLM)

Aggiornato 2026-11-14

Un modello vision-language (VLM) è un modello che riceve in input immagini e testo insieme e produce testo, quindi può descrivere foto, rispondere a domande su di esse e leggere documenti, grafici o screenshot. I VLM sono chiamati anche modelli image-text-to-text o multimodali.

Detto anche: modello di visione, LLM con visione, LLM multimodale, modello visione-linguaggio, VLM, vision model, multimodal LLM, image-text-to-text model, vision API

Un modello vision-language ti permette di fare domande su un’immagine nello stesso modo in cui le fai su un testo.

## Come funziona

Hugging Face descrive questi modelli in modo semplice: “take in an image and text prompt and output text” (traduzione: ricevono un’immagine e un prompt testuale e producono testo). Sono addestrati su coppie immagine-testo, quindi imparano a collegare ciò che vedono con il linguaggio.

Con un’API compatibile OpenAI, l’immagine va dentro il messaggio come content part. Può essere un URL pubblico o un data URL in 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)
```

Il modello trasforma l’immagine in [token](https://broadrouter.com/it/glossary/token/) di input, li legge insieme al tuo testo e scrive una risposta.

## Perché è importante

-   **Documenti.** Fatture, scontrini, moduli e documenti d’identità possono andare direttamente a un modello, spesso con l’[output strutturato](https://broadrouter.com/it/glossary/structured-output/) per riavere i campi in JSON.
-   **Schermate e grafici.** Gli agenti possono leggere screenshot e dashboard; gli strumenti di assistenza possono leggere le foto inviate dagli utenti.
-   **Costi e limiti.** Ogni immagine aggiunge token di input e occupa parte della [finestra di contesto](https://broadrouter.com/it/glossary/context-window/). Molte immagini in una richiesta si sommano in fretta.

Controlla il risultato. I VLM possono leggere male testo piccolo o sfocato e possono indicare numeri sbagliati con sicurezza. Per tutto ciò che muove denaro, verifica i totali nel codice.

## Su BroadNet Inference

Tre modelli di chat accettano immagini:

| Modello | Input | Contesto |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/it/models/deepseek-v4.1-flash/) | Testo e immagini | 1.048.576 token |
| [Qwen3.8 27B](https://broadrouter.com/it/models/qwen3.8-27b/) | Testo e immagini | 262.144 token |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/it/models/gemma-4-vl-26b/) | Testo e immagini | 32.768 token |

GLM 5.3 è solo testo. BroadNet Gemma 4 VL 26B costa $0.10 per 1M di token di input e funziona con il credito iniziale gratuito di $5. Qwen3.8 27B è stato testato da BroadNet in arabo e supporta anche l’output strutturato. Con il pagamento a consumo, un’immagine conta come token di input, e le immagini più grandi ne usano di più.

La [guida alle fatture in arabo](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) mostra un’estrazione completa. Tieni corretto il MIME type nel data URL e lascia margine in `max_tokens` sui modelli di ragionamento.

## Domande frequenti

### Un modello vision-language è la stessa cosa dell’OCR?

No. L’OCR converte in caratteri il testo stampato in un’immagine. Anche un VLM sa leggere il testo, ma capisce layout e contenuto, quindi può rispondere a domande come quale riga è il totale o cosa mostra un grafico.

### Le immagini consumano token?

Sì. Le immagini vengono convertite in token di input. Le immagini più grandi di solito ne usano di più, quindi ridimensionale alla dimensione minima che conserva i dettagli che ti servono.

### Quali modelli di BroadNet accettano immagini?

DeepSeek V4.1 Flash, Qwen3.8 27B e BroadNet Gemma 4 VL 26B accettano input di testo e immagini. GLM 5.3 è solo testo.

## Vedi anche

-   [Output strutturato (structured output)](https://broadrouter.com/it/glossary/structured-output/) (termine)
-   [Token](https://broadrouter.com/it/glossary/token/) (termine)
-   [Modello open-weight (a pesi aperti)](https://broadrouter.com/it/glossary/open-weight-model/) (termine)
-   [Finestra di contesto (context window)](https://broadrouter.com/it/glossary/context-window/) (termine)
-   [AI multimodale (multimodal AI)](https://broadrouter.com/it/glossary/multimodal/) (termine)
-   [Riconoscimento ottico dei caratteri (OCR)](https://broadrouter.com/it/glossary/ocr/) (termine)
-   [Token immagine (image tokens)](https://broadrouter.com/it/glossary/image-tokens/) (termine)
-   [Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) (guida)
-   [Usare l’SDK Python di OpenAI con BroadNet Inference](https://broadrouter.com/it/guides/openai-python-sdk/) (guida)
-   [Scegliere un’API LLM per l’arabo: cosa testare](https://broadrouter.com/it/blog/choosing-an-llm-for-arabic/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

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

**Fonti**

-   [Hugging Face Tasks, image-text-to-text (modelli vision-language)](https://huggingface.co/tasks/image-text-to-text)
-   [Riferimento API di OpenAI, creare una chat completion (content part con immagini)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Riferimento API di BroadNet Inference, modelli (in inglese)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-vision-language-model&utm_content=sources#models)
