Новая и улучшенная версия Kandinsky 2.1 наследует лучшие практики от Dall-E 2 и Latent diffusion, представляя при этом несколько новых идей. В качестве текстового и изображенческого кодировщика он использует модель CLIP и предварительный (отображающий) диффузию изображений между скрытыми пространствами модальностей CLIP. Такой подход повышает визуальную производительность модели и раскрывает новые возможности в смешении изображений и манипулировании изображениями с помощью текста.