En cours
VLM
Vision-language models. En cours : vocabulaire et lectures, pas de modèle fine-tuné public.
Explication simple
Un VLM relie des images (et parfois de la vidéo) à du langage. Ce n’est pas encore un robot.
Explication technique
Un baseline pixels public existe (UCI digits 8×8, majority vs centroïde). Ce n’est pas un VLM. PhotoMind reste privé.
Preuves
Baseline pixels public : lab digits 8×8. Pas de VLM fine-tuné. Voir aussi le lab Physical AI (carte de vocabulaire).