Dual-stream моделі принципово не здатні виконувати завдання крос-модального пошуку.

Single-stream подає токени обох модальностей в один трансформер для ранньої крос-уваги; Dual-stream використовує окремі енкодери для кожної модальності.

Single-stream працює вдвічі швидше під час інференсу, але підтримує лише роботу з текстовими даними.

Single-stream архітектури використовуються лише для відеоматеріалів, а Dual-stream — для аудіозаписів.