Pour en savoir plus, demandez un échantillon gratuit

Le tournant technologique : du VLM au VLA (Vision-Langage-Action)

L'essor de « l'IA incarnée »

L'avancée technique majeure de 2025-2026 sur le marché des modèles vision-langage (VLM) réside dans l'architecture vision-langage-action (VLA). Contrairement aux VLM traditionnels qui produisent du texte, les VLA génèrent des signaux de contrôle (par exemple, des commandes vocales). Des modèles tels que les successeurs de RT-X de Google et les versions spécialisées de Qwen-VL ont démontré que l'apprentissage sur des données de vision à grande échelle issues d'Internet permet un transfert direct des acquis vers des tâches de manipulation robotique.

Fenêtres de contexte multimodales

Les fenêtres contextuelles ont connu une expansion considérable. Les modèles les plus performants de 2026 prennent désormais en charge plus d'un million de fenêtres de jetons, intégrant le traitement vidéo natif. Cela permet à un modèle de « visionner » un film de deux heures ou d'analyser une semaine d'enregistrements de vidéosurveillance en une seule passe, rendant possible un raisonnement temporel de longue durée impossible en 2024.

Paysage concurrentiel du marché des modèles vision-langage (VLM) : les « quatre grands » et les challengers

Les hyperscalers

• Google (Gemini 3 Pro) : Leader actuel en matière de compréhension vidéo à contexte long et de raisonnement multimodal natif. Son intégration à l'écosystème Android lui confère un avantage en termes de distribution.
• OpenAI (GPT-5/o3-Vision) : Ce modèle se concentre sur les tâches de vision complexes nécessitant un raisonnement poussé. La série o3 a établi de nouvelles références en matière d’interprétation de graphiques scientifiques et de diagnostic d’imagerie médicale.
• Meta (Llama 3.2 Vision) : La référence en matière de lunettes de vision grand public. Avec plus de 90 milliards de modèles de vision, Meta a banalisé le marché du milieu de gamme, obligeant ses concurrents à se positionner sur des performances verticales spécialisées.

Les acteurs perturbateurs spécialisés sur le marché des modèles vision-langage (VLM)

• Alibaba (Qwen2.5-VL) : Un acteur majeur de la région APAC, spécifiquement optimisé pour la compréhension de documents haute résolution (OCR) et la reconnaissance visuelle de cas particuliers.
• Adept & Covariant : acteurs de niche qui se sont entièrement tournés vers les VLM « agentiques », créant des modèles qui agissent comme des employés numériques capables de naviguer dans les logiciels d’entreprise via des interfaces visuelles.

L'ère de l'IA agentique : les agents visuels autonomes façonnent le marché des modèles vision-langage (VLM)

Au-delà des chatbots

Les entreprises délaissent les chatbots au profit des agents visuels autonomes. En 2026, un responsable de la chaîne d'approvisionnement ne demandera plus à un bot : « Que signifie ce graphique ? » Il lui ordonnera plutôt : « Surveille les images des caméras de l'entrepôt afin de détecter les infractions aux règles de sécurité et crée un ticket dans SAP si un employé ne porte pas de gilet pare-balles. »

Facilitateurs techniques : Chaîne de pensée (CoT) dans la vision

Les modèles « Thinking » (comme Qwen-Thinking-VL et la série o d'OpenAI) ont introduit la notion de chaîne de pensée visuelle. Ce modèle décompose une scène visuelle complexe en étapes (« Premièrement, identifier la voiture. Deuxièmement, vérifier si le feu est rouge. Troisièmement, déterminer si le piéton traverse ») avant de générer un résultat final. Grâce à cette approche, le taux d'hallucinations visuelles dans les tâches critiques pour la sécurité a diminué de plus de 40 %.

Impact du traitement Edge VLM et du traitement embarqué sur le marché des modèles de langage visionnaire (VLM)

La révolution des petits modèles (<10 milliards de paramètres)

La confidentialité et la latence poussent les modèles de traitement visuel (VLM) vers la périphérie du réseau. Les modèles « nano » (2 à 7 milliards de paramètres) peuvent désormais fonctionner sur des smartphones et des modules NVIDIA Jetson Orin. Des techniques comme la quantification 4 bits et le décodage spéculatif permettent à ces modèles de traiter les images localement avec une latence inférieure à 500 ms.

Implications stratégiques pour le matériel

Cette tendance sur le marché des modèles de vision et de langage (VLM) a déclenché un supercycle matériel. Les appareils commercialisés en 2026 par Apple, Samsung et Xiaomi intègrent des cœurs NPU (unité de traitement neuronal) dédiés, optimisés spécifiquement pour les tâches de vision basées sur les transformateurs, créant ainsi une nouvelle norme de certification « Vision-IA-Ready » pour l’électronique grand public.

Marché des soins de santé : les diagnostics basés sur la technologie VLM deviendront-ils la nouvelle norme de soins ?

Flux de travail en pathologie : le marché est-il prêt pour des rapports de diagnostic « prioritairement basés sur l’IA » ?

D'ici 2026, le secteur de la santé s'est imposé comme le domaine à plus forte valeur ajoutée pour les modèles vision-langage (VLM), transformant en profondeur les flux de travail cliniques. En radiologie, la procédure standard a été inversée : alors qu'en 2024, les flux de travail reposaient sur la rédaction de rapports par des humains pour la vérification par l'IA, les protocoles actuels exploitent les VLM pour générer des ébauches de diagnostic préliminaires, ensuite examinées par des spécialistes. Cette méthodologie « IA d'abord » a atteint un taux de pénétration de 35 % dans les centres hospitaliers universitaires de premier plan, allégeant considérablement les charges administratives et permettant aux praticiens de se concentrer sur la validation des cas complexes.

Recherche et développement pharmaceutiques : les bio-VLM peuvent-elles réduire les délais des essais cliniques de 20 % ?

Au-delà du diagnostic , le marché des modèles vision-langage (VLM) révolutionne la R&D pharmaceutique grâce à l'analyse des structures moléculaires 3D et à la visualisation du repliement des protéines. Les « Bio-VLM », des modèles spécialisés entraînés exclusivement sur des données de microscopie haute dimensionnelle, surpassent désormais les pathologistes humains dans l'identification d'anomalies cellulaires subtiles. Cet avantage computationnel se traduit directement par un gain d'efficacité opérationnelle, réduisant d'environ 20 % la durée des phases de sélection des essais cliniques, un facteur crucial pour accélérer la mise sur le marché de nouvelles thérapies.

Systèmes autonomes : les VLM de bout en bout constituent-ils le chaînon manquant vers l’autonomie de niveau 5 ?

Pilotage sémantique : comment les modèles de base résolvent-ils le problème des « cas limites » sur le marché des modèles vision-langage (VLM) ?

L' industrie automobile connaît une migration massive des architectures logicielles modulaires (de la perception à la planification, puis au contrôle) vers des architectures de conduite VLM unifiées de bout en bout. Des leaders du marché comme Wayve et Tesla (FSD v14) ont déployé avec succès des modèles de base « entrée vidéo, sortie de contrôle » dotés d'une véritable compréhension sémantique. Contrairement aux versions précédentes, ces systèmes peuvent distinguer des nuances contextuelles complexes – comme différencier un piéton distrait d'un agent de police dirigeant activement la circulation – marquant ainsi un bond en avant vers l'autonomie de niveau 4/5.

Marché de la robotique : les plateformes virtuelles à vocabulaire ouvert vont-elles enfin démocratiser l’automatisation pour les PME ?

Dans le secteur de la logistique, le marché des modèles de vision et de langage (VLM) a démocratisé la robotique en permettant l'exécution de tâches en langage naturel. Les robots polyvalents peuvent désormais interpréter et exécuter des commandes en langage naturel telles que « Ramasse le jouet qui ressemble à un dinosaure rouge », sans nécessiter de données d'apprentissage spécifiques à cet objet. Cette flexibilité élimine les coûts prohibitifs de la programmation personnalisée, ouvrant ainsi le marché de la robotique aux petites et moyennes entreprises (PME) qui, auparavant, n'avaient pas accès aux solutions d'automatisation en raison de leur coût.

Analyse des données du commerce de détail : la recherche visuelle peut-elle doubler les taux de conversion du commerce électronique ?

Commerce visuel 2.0 : le « shopping par scène » est-il le prochain moteur de revenus du VLM ?

Sur le marché mondial des modèles de vision et de langage (VLM), les comportements de recherche des consommateurs évoluent considérablement, passant de la simple recherche par image à des expériences d'achat immersives par scène. Les utilisateurs peuvent désormais télécharger l'image d'une pièce entière, permettant au VLM d'identifier, de cataloguer et de trouver simultanément des meubles correspondants à chaque élément visible. 

Cette précision contextuelle s'est avérée extrêmement lucrative, faisant grimper les taux de conversion de la recherche visuelle à 12 %, soit le double des performances généralement observées avec les requêtes de recherche textuelles traditionnelles.

Économie des stocks : dans quelle mesure la surveillance VLM peut-elle réduire les pertes dans le commerce de détail ?

Les détaillants du marché des systèmes de vision et de langage (VLM) luttent contre les pertes de revenus en déployant des réseaux de caméras fixes et des VLM embarqués sur drones pour une surveillance continue des rayons. Ces systèmes possèdent la capacité de distinguer avec précision les articles en rupture de stock des articles mal placés, déclenchant automatiquement des commandes de réapprovisionnement ou des alertes de correction. Les premiers utilisateurs de cette technologie, notamment de grandes chaînes comme Walmart et Tesco, font état d'une réduction de 15 % des pertes de stock, confirmant ainsi le retour sur investissement de l'intégration des VLM dans les points de vente physiques.

Économies d'échelle : l'inférence est-elle désormais plus coûteuse que la formation ?

Le renversement de perspective : pourquoi les dépenses opérationnelles ont triplé par rapport au capital de formation

La structure économique du marché de l'IA s'est fondamentalement inversée. Si l'entraînement d'un modèle de pointe sur le marché des modèles vision-langage (VLM) demeure un investissement colossal, dépassant les 100 millions de dollars, les dépenses totales du secteur consacrées à l'inférence sont désormais trois fois supérieures à celles allouées à l'entraînement. Cette évolution signale une phase de maturité du marché où le déploiement à grande échelle, et non plus la seule R&D, dicte la stratégie financière.

Économie des jetons : les modèles distillés peuvent-ils enfin permettre une analyse « toujours active » sur le marché des modèles de langage de vision (VLM) ?

Le rapport coût-efficacité du traitement des données visuelles s'est considérablement amélioré : le prix par million d'images a chuté de 90 % depuis 2024. Le traitement de 1 000 images, qui coûtait environ 10 $ en 2024, ne coûte plus aujourd'hui qu'environ 0,50 $ grâce à des modèles optimisés. Cette banalisation est essentielle au développement de l'analyse vidéo en continu, rendant ainsi la surveillance visuelle permanente financièrement viable pour la première fois.

Infrastructure de données : que se passe-t-il lorsque les données de vision humaine viennent à manquer ?

L'impératif synthétique : les images simulées sont-elles la seule solution aux cas limites ?

Le marché des modèles vision-langage (VLM) a atteint un pic de données visuelles publiques, épuisant les ensembles de données générés par l'humain. Pour entraîner la génération de modèles de 2026, les laboratoires se tournent désormais vers les données synthétiques. Des moteurs de jeu avancés comme Unreal Engine 6 et des modèles vidéo génératifs produisent maintenant des milliards d'heures de séquences annotées, simulant des cas limites rares et critiques – comme un enfant courant sur une autoroute enneigée – essentiels à l'entraînement de systèmes autonomes robustes.

Bases de données vectorielles visuelles : comment les entreprises recherchent-elles leurs archives vidéo sur le marché des modèles de langage visuel (VLM) ?

Les entreprises délaissent le stockage textuel au profit de bases de données vectorielles visuelles. Les ressources de l'entreprise, telles que les plans, les vidéos de sécurité et les photographies de produits, sont désormais intégrées à ces bases de données vectorielles. Cette infrastructure permet aux techniciens d'interroger ces bases de données en langage naturel (par exemple : « Affichez-moi la procédure de maintenance de cette pièce ») et de récupérer instantanément des images vidéo ou des pages de manuel spécifiques.

Cadres réglementaires : êtes-vous prêt pour l’application de la loi européenne sur l’IA ?

Risque systémique : les tests d’intrusion obligatoires révéleront-ils des biais visuels cachés ?

Avec l'entrée en vigueur de la loi européenne sur l'IA, les modèles d'IA à usage général (IAUG) présentant des profils de risque systémique sont soumis à des tests d'intrusion obligatoires (« Red Teaming ») afin de détecter les biais visuels. Pour le marché des modèles vision-langage (VLM), cela implique des tests rigoureux pour prévenir les erreurs d'identification démographique dans le cadre de la surveillance ou du recrutement. Les enjeux financiers sont considérables, les sanctions en cas de non-conformité pouvant atteindre 7 % du chiffre d'affaires mondial d'une entreprise.

Politique fédérale américaine : les obligations de transparence contraindront-elles à divulguer les données de formation ?

Le gouvernement américain, conformément à la directive OMB M-26-04 (11 décembre 2025), exige des agences fédérales acquérant des modèles de langage à grande échelle (LLM) qu'elles appliquent les « Principes d'IA impartiale » (recherche de la vérité et neutralité idéologique) par le biais de contrats. Cette exigence inclut des éléments de transparence de base tels que des fiches descriptives des modèles et systèmes, des politiques d'utilisation acceptable et des mécanismes de retour d'information. Cette obligation de transparence contraint les fournisseurs à divulguer publiquement leurs sources de données d'entraînement, ce qui soumet l'utilisation d'images protégées par le droit d'auteur et la question du consentement des artistes à un examen sans précédent.

Quels sont les principaux défis du marché des modèles vision-langage (VLM) ?

Le déficit de fiabilité : un taux d’erreur de 3 % est-il acceptable pour les systèmes autonomes ?

Malgré des progrès rapides, l’« hallucination d’objets » — où les modèles perçoivent des entités inexistantes — demeure un défaut persistant. Le taux d’erreur standard du secteur se situe actuellement autour de 3 % pour les modèles de pointe. Bien qu’amélioré, ce taux reste trop élevé pour permettre un déploiement entièrement autonome dans des applications médicales ou militaires critiques sans une supervision humaine stricte.

Sécurité visuelle : les pare-feu sont-ils préparés aux injections d’invites invisibles ?

Une menace sophistiquée en matière de cybersécurité, connue sous le nom de « débridage visuel », a fait son apparition. Des attaquants intègrent des motifs de bruit invisibles dans les images afin de contourner les filtres de sécurité, ce qui peut contraindre les modèles à générer du contenu malveillant. En réponse, les budgets de sécurité des entreprises sont de plus en plus réorientés vers des « pare-feu VLM » conçus pour détecter et neutraliser ces entrées malveillantes.

Paysage des investissements : où les investisseurs avisés se dirigent-ils en 2026 ?

Intégration verticale : les géants de la tech rachètent-ils des entreprises uniquement pour leurs données ?

Les géants technologiques du marché mondial des modèles vision-langage (VLM) mettent en œuvre une stratégie d'intégration verticale, acquérant des sociétés d'imagerie spécialisées non pas pour leurs revenus, mais pour leurs données. Les fournisseurs d'images satellitaires et les archives médicales sont des cibles privilégiées, car leurs ensembles de données propriétaires constituent des atouts majeurs que les concurrents peinent à reproduire.

Évolution du capital-risque : pourquoi les investisseurs délaissent-ils les créateurs de modèles au profit des applications ?

Les investissements en capital-risque se sont détournés des « créateurs de modèles » à forte intensité capitalistique au profit de la « couche applicative VLM ». Les investisseurs soutiennent des startups qui appliquent des modèles éprouvés (comme Llama 3.2 ) à des flux de travail verticaux spécifiques, tels que le traitement des sinistres d'assurance. Par conséquent, le montant moyen des levées de fonds de série A pour les applications natives VLM s'est stabilisé à 25 millions de dollars.

Analyse segmentaire du marché mondial des modèles vision-langage (VLM)

Par type de modèle, les modèles image-texte dominent le marché des modèles vision-langage (VLM) en 2025, avec une part de marché de 44,50 %

Les modèles de traitement visuel texte-image dominent le marché avec une part de 44,50 % en 2025. Leur suprématie repose sur un alignement visuel-texte optimal. Ces modèles excellent dans l'analyse de scènes, l'interprétation de graphiques et la compréhension de documents. Llama Nemotron Nano VL de NVIDIA a surpassé OCRBench v2 en juin 2025. Il traite les factures, les tableaux et les graphiques sur un seul GPU. FastVLM d'Apple a été lancé en juillet 2025 pour les requêtes en temps réel directement sur l'appareil. Les jeux de données image-texte restent abondants, ce qui contribue à l'efficacité de l'entraînement.

Gemini 2.5 Pro domine les flux de travail documentaires d'entreprise sur le marché mondial des modèles vision-langage (VLM). Ce segment alimente 70 % des API multimodales sur Hugging Face. Les fournisseurs de cloud signalent trois fois plus de requêtes d'inférence image-texte que pour les modèles vidéo. Cette domination s'explique par des besoins de calcul moindres. Les VLM vidéo-texte sont à la traîne malgré un TCAC projeté plus rapide. L'inférence image-texte reste la pierre angulaire des déploiements commerciaux.

En matière de déploiement, le déploiement basé sur le cloud assure une part de marché de 66 % en 2025

Les solutions cloud dominent le marché des modèles de vision et de langage (VLM), avec 66 % de parts de marché en 2025. Les hyperscalers tirent leur avantage de leur infrastructure d'IA. AWS détient 30 % du cloud mondial, permettant l'inférence VLM à grande échelle. Azure capte 20 % du marché, intégrant les VLM aux flux de travail des télécommunications. Google Cloud, avec 13 %, est en tête des services VLM d'IA générale, avec une croissance prévue de 140 à 180 % au deuxième trimestre 2025.

Les trois principaux acteurs du marché des modèles vision-langage (VLM) contrôlent 63 % de l'infrastructure, assurant ainsi l'évolutivité des VLM. La soumission de Shopify à MLPerf v6.0 met en lumière les performances d'inférence des VLM dans le cloud. Le marché du cloud télécom a atteint 23,85 milliards de dollars en 2025, avec un TCAC de 29,7 %. L'informatique de périphérie complète le cloud pour l'entraînement des modèles, mais reste en retrait. L'hybride connaît la croissance la plus rapide, mais représente moins de 20 % du marché. L'optimisation des coûts favorise le cloud pour les PME. La demande d'analyses en temps réel entraîne une expansion du cloud de 25 % d'une année sur l'autre. Les solutions sur site manquent de flexibilité.

Par secteur d'activité, les technologies de l'information et les télécommunications captent 16 % de parts de marché et occupent une position de leader tous marchés confondus d'ici 2025

Le secteur des technologies de l'information et des télécommunications domine le marché des modèles vision-langage (VLM) avec une part de marché de 16 % en 2025. La surveillance du réseau favorise l'adoption de ces technologies. Le marché de l'IA dans les télécommunications a atteint 4,73 milliards de dollars. Les opérateurs déploient des VLM pour la détection des fraudes et le service client. La virtualisation des fonctions réseau (NFV) native du cloud intègre les VLM pour le traitement en périphérie de réseau 5G. Les chatbots traitent 40 % des requêtes télécoms via des VLM image-texte. 

Verizon a annoncé des gains d'efficacité de 25 % grâce à la surveillance VLM en 2025. L'analyse visuelle d'AT&T a réduit les temps d'arrêt de 15 %. Les applications de sécurité dominent, analysant les données non structurées. L'analyse visuelle en temps réel s'oriente vers l'IA en périphérie. Le TCAC du cloud télécom atteint 29,7 % jusqu'en 2033. Les VLM améliorent la fiabilité du réseau dans le contexte du déploiement de la 5G. Le commerce de détail reste à la traîne malgré la croissance du e-commerce. Les investissements dans l'infrastructure informatique maintiennent l'avance.

Marché mondial des modèles vision-langage (VLM) : analyse stratégique régionale à l'horizon 2026

Amérique du Nord : Le pôle de convergence générative

• Part de marché : ~42,6 % (estimation 2025) | Facteur clé : Raisonnement multimodal et intégration d’entreprise

L'Amérique du Nord conserve sa position dominante sur le marché mondial des modèles de vision et de langage (VLM), grâce non seulement à la taille des modèles, mais aussi à l'adoption d'architectures à forte capacité de raisonnement telles que Gemini 2.5 Pro et GPT-4.1. La valorisation de la région en 2025, estimée à environ 1,57 milliard de dollars, s'explique par une transformation structurelle des processus métier, passant d'une simple reconnaissance d'images à un raisonnement visuel complexe. L'écosystème des investisseurs de la Silicon Valley finance actuellement activement les contrôleurs hybrides VLM-LLM, qui permettent aux modèles de base d'interagir directement avec les bases de données propriétaires des entreprises.

• Le marché américain connaît une forte augmentation des VLM « verticalisées » pour les soins de santé (diagnostics radiologiques) et la défense, permettant des niveaux de monétisation distincts au-delà des appels d'API génériques.

Asie-Pacifique : L'ère de l'« IA incarnée » et de la robotique

• Taux de croissance : ~34 % en glissement annuel | Facteur clé : Modèles Vision-Langage-Action (VLA)

Contrairement à l'approche occidentale centrée sur les logiciels, le marché des modèles vision-langage (VLM) en Asie-Pacifique, dominé par la Chine, les met en œuvre principalement pour l'interaction avec le monde physique, ou intelligence artificielle incarnée. Conformément au 15e plan quinquennal de Pékin, les pôles industriels de Shenzhen et Hangzhou intègrent des modèles vision-langage-action (VLA) dans la robotique et les unités de production. Cette divergence stratégique permet à la Chine de dominer le secteur de l'automatisation industrielle, en particulier les « cerveaux robotiques » capables d'interpréter les données visuelles des usines pour exécuter des tâches physiques de manière autonome.

• Les géants technologiques chinois privilégient la réduction de la latence dans les modèles VLA pour prendre en charge la surveillance en temps réel des « villes intelligentes » et la logistique autonome, créant ainsi un effet de verrouillage matériel-logiciel.

Europe : Le créneau de l’« IA souveraine » et de la conformité

• Axe stratégique : Protection réglementaire renforcée grâce à la loi européenne sur l’IA | Facteur clé : Architectures VLM explicables et souveraines

La croissance du marché européen des modèles de langage visuel (VLM) est déterminée par la doctrine de l'« IA souveraine », apparue en réponse directe aux exigences strictes de transparence de la loi européenne sur l'IA pour l'IA à usage général. Plutôt que de se concentrer sur la taille des paramètres, les développeurs européens (notamment en France et en Allemagne) gagnent des parts de marché en concevant des VLM conformes au RGPD et à pondération ouverte, destinés à des secteurs hautement réglementés comme l'administration publique et la sécurité automobile.

La région favorise un marché de la « conformité en tant que service », où les VLM locaux sont préférés aux modèles « boîte noire » basés aux États-Unis pour le traitement des données sensibles des citoyens, notamment dans la région DACH (Allemagne, Autriche, Suisse).

Les 5 principaux développements récents qui façonnent le marché des modèles vision-langage (VLM)

1. Meta a lancé Llama 4 Scout et Llama 4 Maverick en tant que modèles multimodaux natifs (texte + vision) à poids ouvert, mettant en avant l'efficacité MoE et le contexte très long comme principaux facteurs de différenciation (avril 2025).
2. OpenAI , les positionnant comme des modèles de raisonnement capables de « penser avec des images » et de traiter des entrées visuelles dans le cadre de flux de travail utilisant des outils en plusieurs étapes (avril 2025).
3. Apple a publié une étude sur FastVLM décrivant un encodage visuel efficace permettant un traitement rapide des requêtes de langage visuel sur l'appareil pour les applications en temps réel (juillet 2025).
4. NVIDIA comme un modèle de vision-langage axé sur l'intelligence documentaire, mettant l'accent sur la précision OCRBench v2 de pointe et les cas d'utilisation d'extraction de documents d'entreprise (octobre 2025).
5. Oracle a étendu la prise en charge de Meta Llama 3.2 11B/90B Vision dans toutes les régions OCI Generative AI, élargissant ainsi l'accès des entreprises à la compréhension multimodale image+texte (janvier 2025).

Principales entreprises du marché des modèles vision-langage

• Recherche Adobe
• Académie Alibaba DAMO
• Amazon Web Services (AWS)
• Pomme
• Baidu
• Laboratoire d'IA de ByteDance
• Google DeepMind
• IA du cloud Huawei
• Recherche IBM
• Méta (Recherche en IA chez Facebook)
• Microsoft
• NVIDIA
• OpenAI
• Oracle
• Recherche Salesforce
• Recherche Samsung
• SAP IA
• SenseTime
• Laboratoire d'IA de Tencent
• Laboratoire d'IA de TikTok
• Autres joueurs importants

Aperçu de la segmentation du marché

Par mode de déploiement

• Basé sur le cloud
• Sur place
• Hybride

Par type de modèle

• Modèles image-texte vision-langage
  
  
  • Modèles de légende d'images
  • Réponse visuelle aux questions
• Modèles de vision et de langage vidéo-texte
  • Compréhension vidéo
  • Résumé vidéo
• Modèles de vision de documents-langage (DocVLM)
  • OCR + raisonnement
  • Compréhension de la mise en page
• Autres types de VLM multimodaux

Par secteur d'activité

• Informatique et télécommunications
• BFSI
• Commerce de détail et commerce électronique
• Santé et sciences de la vie
• Médias et divertissement
• Fabrication
• Automobile et mobilité
• Gouvernement et défense
• Autres industries

Par région

• Amérique du Nord
  • Les États-Unis
  • Canada
  • Mexique
• Europe
  • Europe occidentale
    • Le Royaume-Uni
    • Allemagne
    • France
    • Italie
    • Espagne
    • Le reste de l'Europe occidentale
  • Europe de l'Est
    • Pologne
    • Russie
    • Le reste de l'Europe de l'Est
• Asie-Pacifique
  • Chine
  • Inde
  • Japon
  • Australie et Nouvelle-Zélande
  • Corée du Sud
  • ASEAN
  • Reste de l'Asie-Pacifique
• Moyen-Orient et Afrique
  • Arabie Saoudite
  • Afrique du Sud
  • Émirats arabes unis
  • Reste du Moyen-Orient
• Amérique du Sud
  • Argentine
  • Brésil
  • Le reste de l'Amérique du Sud