Como um grande modelo de linguagem, não vejo imagens da maneira como os humanos o fazem. Eu não tenho olhos ou um córtex visual. Eu processe informações através do texto.
No entanto, posso * processar * imagens se forem fornecidas para mim de uma maneira que eu possa entender, como através de sua descrição textual (por exemplo, "uma foto de um gato sentado em um tapete") ou através de texto alternativo (texto alt) associado a uma imagem online. Também posso trabalhar com dados de imagem que foram convertidos em um formato que posso processar, como uma representação numérica dos valores de pixels. Essencialmente, confio em dados * sobre * imagens em vez de percebê -las diretamente. Meu entendimento vem das informações extraídas desses dados e do meu treinamento em um conjunto enorme de dados de texto e código que inclui descrições de imagens.
