Модели за визуален език е практическо ръководство за изграждане на реални VLM с използване на най-актуалния пакет инструменти за машинно обучение от Hugging Face, Meta (PyTorch), NVIDIA (Cuda) и други, написано от водещи изследователи и практици Мерве Ноян, Микел Фаре, Андрес Марафиоти и Ор Зохар.