↑: [[G検定に関する知識]] - 画像（視覚情報）＋質問テキストを入力し、画像内容に基づいてテキストで回答する[[マルチモーダルAI]]タスク - 例：冷蔵庫の写真＋「牛乳はどこ？」→「上段右側」 - 画像分類とは異なる（質問文の理解が必須） - 画像生成モデルではない（出力はテキスト）