---
title: "Vision-language model (VLM) là gì? Cách gọi qua API | BroadRouter"
description: "Vision-language model đọc cả ảnh lẫn văn bản và trả lời bằng văn bản. Cách gửi ảnh qua API tương thích OpenAI, chi phí ra sao và các ứng dụng phổ biến."
url: https://broadrouter.com/vi/glossary/vision-language-model/
lang: vi
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Được dịch từ tiếng Anh với sự hỗ trợ của AI. [Đọc bản gốc tiếng Anh](https://broadrouter.com/glossary/vision-language-model/) (cập nhật ngày 2026-11-14).

# Vision-language model (VLM, mô hình thị giác-ngôn ngữ)

Cập nhật 2026-11-14

Vision-language model (VLM) là model nhận đầu vào gồm cả ảnh và văn bản rồi tạo ra văn bản, nhờ đó có thể mô tả hình ảnh, trả lời câu hỏi về ảnh và đọc tài liệu, biểu đồ hay ảnh chụp màn hình. VLM còn được gọi là model image-text-to-text hoặc model đa phương thức.

Còn gọi là: VLM là gì, mô hình thị giác-ngôn ngữ, mô hình ngôn ngữ thị giác, model thị giác, LLM đa phương thức, API đọc ảnh, VLM, vision model, multimodal LLM, image-text-to-text model, vision API

Vision-language model cho phép bạn đặt câu hỏi về một bức ảnh giống như hỏi về văn bản.

## Cách hoạt động

Hugging Face mô tả các model này rất đơn giản: chúng “take in an image and text prompt and output text.” (Bản dịch: nhận một ảnh và một prompt văn bản rồi xuất ra văn bản.) Chúng được huấn luyện trên các cặp ảnh–văn bản, nên học được cách nối những gì nhìn thấy với ngôn ngữ.

Qua một API tương thích OpenAI, ảnh được đặt bên trong message dưới dạng một content part. Đó có thể là một URL công khai hoặc một data URL 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)
```

Model chuyển ảnh thành [token](https://broadrouter.com/vi/glossary/token/) đầu vào, đọc chúng cùng văn bản của bạn và viết câu trả lời.

## Vì sao quan trọng

-   **Tài liệu.** Hóa đơn, biên lai, biểu mẫu và giấy tờ tùy thân có thể gửi thẳng cho model, thường kèm [đầu ra có cấu trúc](https://broadrouter.com/vi/glossary/structured-output/) để nhận lại các trường dưới dạng JSON.
-   **Màn hình và biểu đồ.** Agent có thể đọc ảnh chụp màn hình và dashboard; công cụ hỗ trợ khách hàng có thể đọc ảnh người dùng gửi.
-   **Chi phí và giới hạn.** Mỗi ảnh thêm token đầu vào và chiếm một phần [context window](https://broadrouter.com/vi/glossary/context-window/). Nhiều ảnh trong một request cộng dồn rất nhanh.

Hãy kiểm tra kết quả. VLM có thể đọc sai chữ nhỏ hoặc mờ, và có thể nêu sai con số một cách đầy tự tin. Với bất cứ thứ gì liên quan đến tiền, hãy kiểm tra tổng bằng code.

## Trên BroadNet Inference

Ba chat model nhận ảnh:

| Model | Đầu vào | Ngữ cảnh |
| --- | --- | --- |
| [DeepSeek V4.1 Flash](https://broadrouter.com/vi/models/deepseek-v4.1-flash/) | Văn bản và ảnh | 1.048.576 token |
| [Qwen3.8 27B](https://broadrouter.com/vi/models/qwen3.8-27b/) | Văn bản và ảnh | 262.144 token |
| [BroadNet Gemma 4 VL 26B](https://broadrouter.com/vi/models/gemma-4-vl-26b/) | Văn bản và ảnh | 32.768 token |

GLM 5.3 chỉ nhận văn bản. BroadNet Gemma 4 VL 26B có giá $0.10 cho mỗi 1 triệu token đầu vào và dùng được với tín dụng ban đầu miễn phí $5. Qwen3.8 27B đã được BroadNet thử nghiệm bằng tiếng Ả Rập và cũng hỗ trợ đầu ra có cấu trúc. Với gói trả theo mức dùng, một ảnh được tính là token đầu vào, và ảnh lớn hơn tốn nhiều hơn.

[Hướng dẫn đọc hóa đơn tiếng Ả Rập](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/) đi qua toàn bộ quy trình trích xuất. Hãy để MIME type trong data URL chính xác, và chừa đủ chỗ trong `max_tokens` với các model suy luận.

## Câu hỏi thường gặp

### Vision-language model có giống OCR không?

Không. OCR chuyển chữ in trong ảnh thành ký tự. VLM cũng đọc được chữ, nhưng hiểu cả bố cục và nội dung, nên có thể trả lời những câu như dòng nào là tổng tiền, hay biểu đồ đang thể hiện điều gì.

### Ảnh có tốn token không?

Có. Ảnh được chuyển thành token đầu vào. Ảnh lớn hơn thường tốn nhiều token hơn, nên hãy thu nhỏ ảnh đến kích thước nhỏ nhất vẫn giữ được chi tiết bạn cần.

### Model nào của BroadNet nhận được ảnh?

DeepSeek V4.1 Flash, Qwen3.8 27B và BroadNet Gemma 4 VL 26B nhận đầu vào văn bản và ảnh. GLM 5.3 chỉ nhận văn bản.

## Xem thêm

-   [Đầu ra có cấu trúc (structured output)](https://broadrouter.com/vi/glossary/structured-output/) (thuật ngữ)
-   [Token](https://broadrouter.com/vi/glossary/token/) (thuật ngữ)
-   [Model trọng số mở (open-weight model)](https://broadrouter.com/vi/glossary/open-weight-model/) (thuật ngữ)
-   [Context window (cửa sổ ngữ cảnh)](https://broadrouter.com/vi/glossary/context-window/) (thuật ngữ)
-   [AI đa phương thức (multimodal AI)](https://broadrouter.com/vi/glossary/multimodal/) (thuật ngữ)
-   [Nhận dạng ký tự quang học (OCR)](https://broadrouter.com/vi/glossary/ocr/) (thuật ngữ)
-   [Image token (token hình ảnh)](https://broadrouter.com/vi/glossary/image-tokens/) (thuật ngữ)
-   [Đọc hóa đơn và biên lai tiếng Ả Rập bằng model thị giác](https://broadrouter.com/vi/guides/read-arabic-invoices-with-vision/) (hướng dẫn)
-   [Dùng OpenAI Python SDK với BroadNet Inference](https://broadrouter.com/vi/guides/openai-python-sdk/) (hướng dẫn)
-   [Chọn API LLM cho tiếng Ả Rập: cần test những gì](https://broadrouter.com/vi/blog/choosing-an-llm-for-arabic/) (bài viết)

Hãy thử với khối lượng công việc thực tế của bạn. Tài khoản mới được tặng US$5 tín dụng ban đầu cho Gemma và chuyển giọng nói thành văn bản. DeepSeek, GLM và Qwen3.8 cần nạp tiền.

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

**Nguồn**

-   [Hugging Face Tasks, image-text-to-text (vision-language model)](https://huggingface.co/tasks/image-text-to-text)
-   [Tài liệu tham khảo OpenAI API, tạo chat completion (content part dạng ảnh)](https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create)
-   [Tài liệu tham khảo BroadNet Inference API, model (tiếng Anh)](https://inference.broadnet.ai/docs?utm_source=broadrouter&utm_medium=referral&utm_campaign=vi-glossary-vision-language-model&utm_content=sources#models)
