Vision Transformer
ViT（Vision Transformer）把 Transformer 架构用于图像理解，将图片切块后当作"文字序列"处理，是现代多模态模型的基础模块。
Vector database
向量数据库是存储高维向量并支持相似度检索的专用系统，核心解决语义匹配问题。它通过索引加速 ANN 搜索，支撑 RAG、推荐等场景，但面临维度灾难与过滤精度挑战，需结合业务需求评估选型。
Voice Cloning
声音克隆是指利用AI技术复刻特定人声音色的能力，输入少量样本即可生成风格接近的合成语音，广泛用于配音、数字人与有声内容生产。
Vision-Language Model
视觉语言模型（VLM）是能同时理解图像与文本的多模态大模型，输入图片与文字、输出文字或图像理解结果，是图像问答、视觉 Agent 与多模态 AI 的核心底座，代表如 GPT-4V、Gemini、Qwen-VL 等。
