Vision Language Models ist ein praktischer Leitfaden zum Aufbau von realen VLMs mit dem aktuellsten Stack von maschinellen Lernwerkzeugen von Hugging Face, Meta (PyTorch), NVIDIA (Cuda) und anderen, verfasst von führenden Forschern und Praktikern Merve Noyan, Miquel Farre, Andres Marafioti und Orr Zohar.