例えば「白いシャツ、黒いミニスカートを着た黒髪の女の子」と入力して 1girl, solo, black hair, white shirt, black mini skirt というプロンプトで画像が生成されたとする。次のターンで「金髪にして」としたときに 1girl, solo, blonde hair, white shirt, black mini skirt とするのがVLMを介するとなかなか難しい。
それと、LoRAモデルを利用するとさらにうまくいかなくて、LoRAモデルに brown hair が含まれていたら、「金髪にして」と入力したときは brown hair だけは除いてタグがプロンプトに入るようにならないといけない。
