---
title: "Что такое визуально-языковая модель (VLM) и как её вызвать"
description: "Визуально-языковая модель читает изображения вместе с текстом и отвечает текстом. Как передать картинку через OpenAI-совместимый API, сколько стоит и где применяют."
url: https://broadrouter.com/ru/glossary/vision-language-model/
lang: ru
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Переведено с английского с помощью ИИ. [Читать оригинал на английском](https://broadrouter.com/glossary/vision-language-model/) (обновлён 2026-11-14).

# Визуально-языковая модель (VLM)

Обновлено 2026-11-14

Визуально-языковая модель (vision-language model, VLM) — это модель, которая принимает на вход изображения вместе с текстом и выдаёт текст, поэтому может описывать картинки, отвечать на вопросы о них и читать документы, графики и скриншоты. VLM также называют моделями image-text-to-text или мультимодальными моделями.

Также называют: визуально-языковая модель, VLM, мультимодальная LLM, нейросеть для распознавания изображений, модель компьютерного зрения, vision-модель, vision-language model, vision model, multimodal LLM, image-text-to-text model, vision API

Визуально-языковая модель позволяет задавать вопросы об изображении так же, как о тексте.

## Как это работает

Hugging Face описывает такие модели просто: они “take in an image and text prompt and output text” (перевод: «принимают изображение и текстовый промпт и выдают текст»). Их обучают на парах «изображение — текст», так что они учатся связывать увиденное с языком.

В OpenAI-совместимом API изображение передаётся внутри сообщения как часть контента. Это может быть публичный URL или data URL в 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)
```

Модель превращает изображение во входные [токены](https://broadrouter.com/ru/glossary/token/), читает их вместе с вашим текстом и пишет ответ.

## Почему это важно

-   **Документы.** Счета, чеки, анкеты и удостоверения можно отправлять прямо в модель, часто вместе со [структурированным выводом](https://broadrouter.com/ru/glossary/structured-output/), чтобы получить поля в виде JSON.
-   **Экраны и графики.** Агенты могут читать скриншоты и дашборды, а инструменты поддержки — фотографии, которые присылают пользователи.
-   **Стоимость и лимиты.** Каждое изображение добавляет входные токены и занимает часть [контекстного окна](https://broadrouter.com/ru/glossary/context-window/). Много изображений в одном запросе быстро складываются.

Проверяйте результат. VLM могут неверно прочитать мелкий или размытый текст и уверенно назвать неправильные числа. Если от результата зависят деньги, проверяйте итоговые суммы в коде.

## В BroadNet Inference

Изображения принимают три чат-модели:

| Модель | Вход | Контекст |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/ru/models/deepseek-v4.1-flash/) | Текст и изображения | 1 048 576 токенов |
| [Qwen3.8 27B](https://broadrouter.com/ru/models/qwen3.8-27b/) | Текст и изображения | 262 144 токена |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/ru/models/gemma-4-vl-26b/) | Текст и изображения | 32 768 токенов |

GLM 5.3 работает только с текстом. BroadNet Gemma 4 VL 26B стоит $0.10 за 1M входных токенов и доступна на бесплатном стартовом гранте $5. Qwen3.8 27B BroadNet тестировала на арабском, и она также поддерживает структурированный вывод. При оплате по факту изображение считается входными токенами, и крупные изображения занимают больше.

[Руководство по арабским счетам](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) разбирает извлечение данных целиком. Указывайте в data URL правильный MIME-тип и оставляйте запас в `max_tokens` у моделей с рассуждением.

## Вопросы и ответы

### Визуально-языковая модель — это то же самое, что OCR?

Нет. OCR превращает напечатанный на изображении текст в символы. VLM тоже умеет читать текст, но при этом понимает макет и содержание, поэтому может ответить, например, в какой строке итоговая сумма или что показывает график.

### Тратят ли изображения токены?

Да. Изображения превращаются во входные токены. Крупные изображения обычно занимают больше, поэтому уменьшайте их до минимального размера, при котором сохраняются нужные детали.

### Какие модели BroadNet принимают изображения?

DeepSeek V4.1 Flash, Qwen3.8 27B и BroadNet Gemma 4 VL 26B принимают на вход текст и изображения. GLM 5.3 работает только с текстом.

## См. также

-   [Структурированный вывод (structured output)](https://broadrouter.com/ru/glossary/structured-output/) (термин)
-   [Токен (token)](https://broadrouter.com/ru/glossary/token/) (термин)
-   [Модель с открытыми весами (open-weight model)](https://broadrouter.com/ru/glossary/open-weight-model/) (термин)
-   [Контекстное окно (context window)](https://broadrouter.com/ru/glossary/context-window/) (термин)
-   [Мультимодальный ИИ (multimodal AI)](https://broadrouter.com/ru/glossary/multimodal/) (термин)
-   [Оптическое распознавание символов (OCR)](https://broadrouter.com/ru/glossary/ocr/) (термин)
-   [Токены изображений (image tokens)](https://broadrouter.com/ru/glossary/image-tokens/) (термин)
-   [Как читать арабские счета и чеки vision-моделью](https://broadrouter.com/ru/guides/read-arabic-invoices-with-vision/) (руководство)
-   [OpenAI Python SDK и BroadNet Inference](https://broadrouter.com/ru/guides/openai-python-sdk/) (руководство)
-   [Как выбрать LLM API для арабского: что проверить](https://broadrouter.com/ru/blog/choosing-an-llm-for-arabic/) (статья)

Проверьте на своей реальной нагрузке. Новые аккаунты получают стартовый грант US$5 на Gemma и распознавание речи. Для DeepSeek, GLM и Qwen3.8 нужно пополнить баланс.

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

**Источники**

-   [Hugging Face Tasks, image-text-to-text (визуально-языковые модели)](https://huggingface.co/tasks/image-text-to-text)
-   [Справочник API OpenAI, создание chat completion (части контента с изображениями)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Справочник API BroadNet Inference, модели (на английском)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=ru-glossary-vision-language-model&utm_content=sources#models)
