Використання модуля фільтрації (Filter) для видалення зашумлених текстів та модуля генерації (Captioner) для створення нових якісних описів.

Застосування алгоритмів стиснення без втрат для зменшення розміру вхідних зображень у 10 разів.

Повне скасування крос-уваги на користь простих лінійних шарів проекції ембедінгів.

Навчання виключно на синтетичних зображеннях, створених за допомогою моделей дифузії.