O Google lançou o modelo de linguagem e visão PaLI-3, que apesar de seu pequeno porte, alcança desempenho SOTA. Este modelo emprega um método de pré-treinamento contrastivo e explora profundamente o potencial do VIT, demonstrando desempenho excepcional em recuperação multimodal multilíngue. O PaLI-3 funde perfeitamente a compreensão da linguagem natural e o reconhecimento de imagens, tornando-se uma força importante na inovação da IA. Seu método de pré-treinamento contrastivo baseado em SigLIP abre uma nova era para a recuperação multimodal multilíngue. Embora ainda não esteja totalmente de código aberto, modelos SigLIP multilíngues e em inglês já foram lançados para fins de pesquisa.