CLIP
Модель, связывающая текст и изображение общим смысловым пространством.
Понимает, что подпись «рыжий кот» и фотография рыжего кота — про одно и то же.
Как влияет. Через неё промпт превращается в то, что генератор способен использовать. Отсюда и предел: если понятия нет в её словаре, промпт его не передаст.