시각·언어 통합 모델

VLM은 이미지 인코더와 언어 모델을 결합해, 사진을 본 상태에서 자연어로 답하거나 추론할 수 있게 만든 모델입니다. GPT-4o의 vision, Claude의 이미지 이해, Gemini, Qwen-VL 같은 것들이 모두 이 범주에 속합니다. 멀티모달 모델 중에서도 '이미지 + 텍스트' 조합을 가장 활발하게 쓰는 형태라고 보면 됩니다.

마케팅 관점에서 의미 있는 포인트는 두 가지입니다. 하나는 'AI가 우리 브랜드의 시각 자산을 직접 해석한다'는 사실, 다른 하나는 '시각 검색·이미지 기반 질문이 새로운 인입 경로가 된다'는 사실입니다. 사용자가 매대 사진을 찍어 'XX 제품 어디서 살 수 있어?'라고 묻는 흐름이 점점 자연스러워지고 있습니다.

현장에선 alt 텍스트, 이미지 파일명, 캡션, 패키지 위 텍스트 가독성 같은 요소가 새 의미를 갖습니다. VLM이 사진에서 글씨를 읽고 그걸 단서로 답을 만들기 때문에, '시각 자산 자체가 콘텐츠'라는 인식이 필요합니다.