Тоже попробовал, вот ещё одна версия:

Майский день.

Если верить описанию процесса тренировки сети, то её тренировали на данных из интернета, где изображения были рядом с текстом. Значит, похожие описания чаще всего сопровождались такими картинками (ну, это если верить описанию, повторю).

Ну и в самом деле, что именно рисовать в ответ на такой запрос? Какой объект?

Если уточнить, то получится так:

Городской парк в майский день.

Теперь явно указан объект для рисования — «городской парк», а «майский день» вполне воспринимается сетью как обозначение времени.

Хотя я предполагаю, что процесс декодирования текста всё же сложнее, чем в общих описаниях таких систем. Там даже не одна сеть работает, а несколько специализированных. Но всё равно, «день» — это не материальный объект, вот она и рисует какой-нибудь из наиболее распространённых материальных объектов взамен. А вот «парк» — вполне конкретная задача для рисования.