Pitaici
> Разве у нее нет доступа ко всему, что находится в интернете?

У генеративных графических — в общем случае нет.

> Но нужны же еще «входные данные», чтобы получить «выходные»?

Это называется "набор данных для обучения", который прогоняют через нейронку на этапе обучения. Он должен быть размечен (т.е. каждому фрагменту входных данных нужно сопоставить связанные с ним ключевые слова, которые потом можно будет использовать в промптах), поэтому просто "всё что находится в интернете" не годится.

Годятся специфические ресурсы типа доск (*booru), где сами пользователи при заливании картинок размечают их связанными тэгами, например.

Для чего-нибудь более узкотематического приходится собирать и размечать датасет самостоятельно.

А вот уже на этапе генерации с уже предобученной нейросеткой — "входными данными" выступает случайный шум, из которого (см. выше) пошагово отбирается подходящее.

> Я думала, что все основано на текстовом описании

Текстовое описание (промпт) — это, по сути, задание набора фильтров и граничных условий (того самого комплекса "слоёв"), которые будут использованы при генерации. Оно не связано напрямую с какими-то конечными фрагментами изображений.