जेनस एक अभिनव स्व-पुनरावर्ती ढाँचा है जो दृश्य एन्कोडिंग को अलग-अलग पथों में विभाजित करके और एकल, एकीकृत ट्रांसफॉर्मर आर्किटेक्चर का उपयोग करके प्रक्रिया को संभालता है, जिससे पिछले तरीकों की सीमाओं का समाधान होता है। यह डिकप्लिंग न केवल समझ और निर्माण में दृश्य एन्कोडर की भूमिका के टकराव को कम करता है, बल्कि ढाँचे की लचीलेपन को भी बढ़ाता है। जेनस का प्रदर्शन पिछले एकीकृत मॉडलों से बेहतर है और विशिष्ट कार्य मॉडलों के प्रदर्शन तक पहुँचता है या उससे भी आगे निकल जाता है। जेनस की सादगी, उच्च लचीलापन और प्रभावशीलता इसे अगली पीढ़ी के एकीकृत बहु-मोडल मॉडल के लिए एक मजबूत दावेदार बनाती है।