ikisi de promptla beslenip latent spacete anlam arar; fark şu ki biri çıktıyı token token üretirken, diğeri imgeyi satır satır üretir. daha önce belirttiğim gibi (bkz: #-CjHUjrSUPg3s8JnrX_25) dağınık parçaları tek merkezde toplama meselesi tam olarak burada da geçerli: model attentionla, şair sezgiyle aynı düğümü arar.