CM3leon é um modelo avançado que combina geração de texto para imagem e imagem para texto. Ele emprega uma receita de treinamento adaptada a modelos auto-regressivos, incluindo uma fase de pré-treinamento aprimorada por busca em larga escala e uma fase de ajuste fino supervisionado multitarefa. O CM3leon apresenta diversidade e eficácia semelhantes às dos modelos auto-regressivos, ao mesmo tempo em que possui baixo custo de treinamento e alta eficiência de inferência. Trata-se de um modelo multimodal causalmente mascarado (CM3) capaz de gerar sequências de texto e imagem a partir de qualquer conteúdo de imagem e texto. Em comparação com modelos anteriores que só podiam gerar texto para imagem ou imagem para texto, o CM3leon possui maior capacidade de expansão de funcionalidades em geração multimodal.