Насколько важно добавлять текстовое описание к референсным изображениям при промптинге?

Автор обсуждает практику использования длинных текстовых описаний вместе с изображениями-референсами в генеративных моделях, таких как MiniMax R2V. Вопрос заключается в том, зачем нужен текст, если нейросеть уже получает визуальную информацию напрямую.