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.
Где встречается. Именно на этом шаге промпт превращается в числа, и именно здесь кириллица теряет в точности: токенизатор режет её мельче. Подробно — в разборе русского промпта.