Система повинна дати коректну текстову відповідь на запитання на природній мові, поставлене до змісту вхідного зображення.

Пошук зображень в Інтернеті, які найкраще відповідають текстовому запиту користувача.

Генерація випадкових запитань до заданого зображення для навчання інших моделей.

Класифікація зображень за категоріями якості та роздільної здатності.