视觉语言模型(VLM)核心应用：1.文档智能处理（PDF转图像+GPT-4o提取财务数据，支持表格、图表理解）；2.工业质检（缺陷类型分类、位置定位、严重程度评估、合格判断）；3.医学影像辅助诊断（X光分析、CT描述，仅辅助不替代医生）；4.图像压缩优化（PIL调整分辨率、JPEG压缩85%、LRU缓存相同请求）；5.成本控制（低分辨率模式简单任务、批量合并、缓存常见图像）。主流VLM对比：GPT-4o（最强视觉理解）、Gemini 1.5 Pro（超高分辨率、视频支持）、Claude 3.5（文档理解最佳）、LLaVA（本地部署）。