আগের ভার্সনটি শুধু টেক্সটে সীমাবদ্ধ থাকলেও নতুন ভার্সন ছবি বুঝতে সক্ষম। যেমন- কোনো রান্নার উপকরণের ছবি দেখে এটি বলতে পারবে এসব উপকরণ দিয়ে কী কী রান্না করা সম্ভব কিংবা কোনো ছবির জন্য ক্যাপশন বা ডেসক্রিপশন লিখতে পারবে। হালনাগাদকৃত ভার্সনটি ২৫ হাজার শব্দ পর্যন্ত বুঝতে সক্ষম, যা আগের ভার্সনের চেয়ে ৮ গুণ বেশি।