Помилка архітектури, яка виникає через невідповідність кодувань текстових символів (UTF-8 проти ASCII).

Вимога розробників використовувати виключно один тип даних під час тестування моделі на етапі інференсу.

Явище, коли модель оптимізується за рахунок лише однієї модальності (наприклад, тексту), ігноруючи іншу, оскільки так простіше мінімізувати втрати.

Ситуація, коли апаратне забезпечення (GPU) виділяє більше пам'яті для збереження відеофайлів, ніж для тексту.