视觉语言模型（VLMs）是支持图像、视频和文本的多模态模型，它们结合了大型语言模型和视觉变换器。基于这一能力，它们能够支持通过文本提示来查询视频和图像，从而实现与视频聊天、定义基于自然语言的警报等功能。能够快速部署VLMs，以用于视频洞察应用。VLM服务公开了REST API端点，用于配置视频流输入、设置警报并以自然语言询问关于输入视频流的问题。本教程将指导如何在上运行VLM。