Llama3-s v0.2 es un punto de control multimodal desarrollado por Homebrew Computer Company, centrado en mejorar la capacidad de comprensión del habla. Este modelo, mediante la fusión temprana de etiquetas semánticas y usando retroalimentación de la comunidad, simplifica la estructura del modelo, mejora la eficiencia de la compresión y logra una extracción consistente de características de voz. Llama3-s v0.2 muestra un rendimiento estable en varias pruebas de referencia de comprensión del habla y ofrece una demostración en tiempo real que permite a los usuarios experimentar sus funcionalidades. Aunque el modelo se encuentra en una etapa temprana de desarrollo y presenta algunas limitaciones, como la sensibilidad a la compresión de audio y la incapacidad de procesar audio de más de 10 segundos, el equipo planea solucionar estos problemas en futuras actualizaciones.