“视觉语言模型（VLMs）结合了视觉和文本数据，以生成内容，使其在新闻内容生成中尤为有用。这些模型分析图像和视频，与相应的文本结合，以创建全面的叙述。例如，一个VLM可以从抗议活动的照片中生成一篇新闻文章，描述事件、参与者和关键消息。这种能力使新闻机构能够通过自动化部分报道过程来高效地制作文章。
VLM在体育赛事报道中的一个实际应用是对比赛进行报道。例如，VLM可以回顾比赛的精彩片段，跟踪球员的动作，并从录像中提取统计数据。然后，这些信息可以用于撰写比赛摘要或回顾，最小化人工干预。此外，这些模型还可以通过分析赛后采访来包含球员或教练的引用，从而生成更具活力和吸引力的内容。这不仅节省了新闻机构的时间和资源，还确保了基于实时视觉数据的准确报道。
VLM的另一个优势领域是增强多媒体叙事。当新闻文章包含文本、图像和视频的组合时，VLM可以生成标题，建议相关的视觉内容，或以视觉连贯的方式总结信息。例如，在报道环境问题时，一个模型可以提取受影响地区的图像，并撰写一篇关于影响的引人入胜的文章，同时用精选图像视觉支持叙述。这种互动性和整合性为观众创造了更丰富的体验，使文章更具信息性和吸引力。”