CM3leon एक उन्नत मॉडल है जो टेक्स्ट-टू-इमेज और इमेज-टू-टेक्स्ट जेनरेशन दोनों को जोड़ता है। इसमें टेक्स्ट मॉडल के अनुकूल प्रशिक्षण फ़ॉर्मूला शामिल है, जिसमें बड़े पैमाने पर पुनर्प्राप्ति-वर्धित पूर्व-प्रशिक्षण चरण और बहु-कार्य पर्यवेक्षित ठीक-ठीक ट्यूनिंग चरण शामिल हैं। CM3leon में ऑटोरेग्रेसिव मॉडल के समान विविधता और प्रभावशीलता है, साथ ही प्रशिक्षण लागत कम है और अनुमान दक्षता अधिक है। यह एक कार्यात्मक रूप से मुखौटा वाला मिश्रित मोडेल (CM3) है जो किसी भी छवि और पाठ सामग्री के आधार पर पाठ और छवि अनुक्रम उत्पन्न कर सकता है। केवल टेक्स्ट-टू-इमेज या इमेज-टू-टेक्स्ट जेनरेशन करने वाले पिछले मॉडल की तुलना में, CM3leon में बहु-मोडल जेनरेशन के संदर्भ में अधिक कार्यात्मक विस्तार है।