“视觉语言模型（VLMs）将在未来智能助手的发展中发挥重要作用，通过增强对视觉和文本信息的理解。这些模型通过整合分析图像的能力与处理语言的能力，使助手能够与用户进行更有意义的互动。例如，一款配备VLM的智能助手不仅能够回答基于文本的查询，还能够查看一张损坏电器的照片，并根据所看到的情况提供故障排除步骤或修理建议。
随着智能助手的多功能性增强，VLM将改善其上下文意识。这意味着，助手不仅仅依赖用户输入，还能够通过图像或视频输入来解读周围环境。例如，如果用户把摄像头对准菜单，一款基于VLM的助手可以识别菜单上的项目及其描述，并根据用户的饮食偏好或过去的订单提供个性化推荐。这种能力将创造更加互动的体验，使用户能够根据特定需求和环境获得实时的帮助。
此外，VLM将提升智能助手的可访问性。具有不同沟通风格的用户，或者那些可能在口头交流中遇到困难的用户，将受益于能够解读视觉线索和手势的系统。例如，用户可以向助手展示一个物体，而VLM可以提供关于该物体的信息或建议相关的购买项目。这种在视觉和文本输入之间架起桥梁的能力，有助于创建一个更加包容的数字环境，让各类用户能够舒适有效地与技术互动，最终使智能助手更加有用和用户友好。”