VLE（Visual Language Encoder）是基于预训练的文本和图像编码器构建的图像-文本多模式理解模型。它可用于多模式的区分性任务，如视觉问答和图像-文本检索。尤其在需要高级语言理解和推理能力的视觉常识推理（VCR）任务中，VLE取得了显著的改进。

详细信息请参见 https://github.com/iflytek/VLE 。

在Visual Question Answering的在线VLE演示： https://huggingface.co/spaces/hfl/VQA_VLE_LLM