SDで誤解されやすいとこなんだけど
学習や生成で使うタグやキャプションって言葉としての意味は一切ないのよ
呪文って言ってるものも言語的な意味があるわけではなくただのラベルの羅列みたいなもん
"skirt"で通常丈のスカートが描けるとして、"long skirt"って指定したときの動作を簡単に言うと
「"skirt"で学習した内容を"long"で長く調整して出力」ではなく
「"long skirt"とラベルが付けられた学習内容を出力」なのね
longにもskirtにも言葉としての意味は全くないし、"long skirt"というラベルでマイクロビキニを学習させることだってできる
long,medium,shortの間に相関関係もない、ただのラベル
(テキストエンコーダがうまく誤魔化してくれてるおかげで云々みたいな細かい話はある)
なので、画像生成する時は学習に使用されたタグが何であるかを把握するのがすごく大事で
学習・生成のタグ付け統一規格としてdanbooruが重宝されたりしている
数多くのモデルがdanbooruタグで学習してるので、danbooruタグを把握していれば
どんなモデルでも楽に使いこなせるというわけだ