CM3leon es un modelo avanzado que genera texto a partir de imágenes e imágenes a partir de texto. Emplea una receta de entrenamiento adaptada a modelos autoregresivos, que incluye una fase de preentrenamiento masiva con búsqueda mejorada y una fase de ajuste fino supervisado multitarea. CM3leon presenta una diversidad y eficacia similares a las de los modelos autoregresivos, con un bajo coste de entrenamiento y una alta eficiencia de inferencia. Se trata de un modelo multimodal con enmascaramiento causal (CM3) capaz de generar secuencias de texto e imágenes a partir de cualquier contenido de imagen y texto. A diferencia de los modelos anteriores que solo podían generar texto a partir de imágenes o imágenes a partir de texto, CM3leon ofrece una mayor capacidad de expansión en la generación multimodal.