AI-103：コンピュータビジョンの実装（10–15%）

生成と理解

テキストから画像／動画、参照メディア、マスク、インペインティングの使い分けを理解します。マルチモーダルモデルは視覚文脈の分析、画像根拠の回答、キャプション、代替テキスト作成ができます。

視覚安全

処理前に不安全メディアを審査し、画像に埋め込まれた間接プロンプト注入を検出し、透かしや禁止記号などのポリシーを適用します。プロンプト制御だけでは画像専用スクリーニングの代わりになりません。