Este documento presenta un nuevo marco para optimizar la inferencia de modelos de lenguaje multimodal grandes (MLLM) a través de la descarga de tareas y la asignación de recursos en redes de computación en el borde satelital asistidas por UAV. Los MLLM aprovechan arquitecturas de transformadores para integrar modalidades de datos heterogéneas para aplicaciones de IoT, particularmente el monitoreo en tiempo real en áreas remotas. Sin embargo, la dependencia de la computación en la nube introduce desafíos de latencia, ancho de banda y privacidad, mientras que las limitaciones de los dispositivos IoT requieren soluciones de computación distribuida eficientes. La computación en el borde satelital, utilizando satélites de órbita baja (LEO) y vehículos aéreos no tripulados (UAV), extiende la computación en el borde móvil para proporcionar recursos computacionales ubicuos para dispositivos IoT remotos. Formulamos la optimización conjunta de la descarga de tareas de MLLM y la asignación de recursos como un problema de programación no lineal entera mixta (MINLP), minimizando la latencia y el consumo de energía mientras optimizamos las decisiones de descarga, la asignación de potencia y las trayectorias de los UAV. Para abordar el entorno dinámico de SEC caracterizado por la movilidad de los satélites, proponemos un algoritmo de actor-crítico suave desacoplado por acción (AD-SAC) con espacios de acción híbridos discretos-continuos. Los resultados de la simulación demuestran que nuestro enfoque supera significativamente a los métodos convencionales de aprendizaje por refuerzo profundo en convergencia y reducción de costos del sistema en comparación con los algoritmos de referencia.