"视觉-语言模型（VLMs）在实时应用中的显著进展是预期中的，这主要得益于模型效率的提升、与边缘计算的集成以及增强的用户交互能力。这些发展将使得 VLMs 能够在多种场景中部署，从增强现实（AR）到实时视频分析，从而拓宽它们在日常应用中的实际使用。
一个主要的改进领域是 VLMs 的效率，当前这些模型需要大量的计算资源。优化这些模型将使它们能够在较低性能的硬件上运行，同时不牺牲准确性。模型剪枝、量化以及知识蒸馏等技术将显著减少资源需求。例如，开发人员可能会为移动设备创建一个轻量版本，使其在 AR 应用中的场景理解等任务上表现良好，从而使用户能够获得有关其环境的实时反馈。
与边缘计算的集成是另一个重要的进展。随着越来越多的设备连接到互联网，数据处理更接近数据源将有助于减少延迟并改善应用程序的响应时间，尤其是在利用 VLMs 的应用程序中。例如，在自动驾驶或智能家居系统等场景中，实时决策至关重要。边缘计算可以加速视觉和文本信息的处理，使得模型能够在实时环境中有效运作，例如瞬时识别物体和解释用户指令。这将提升用户体验，并使各个领域（从电子商务到游戏）中实现新的功能。