Рівномірний розподіл обчислювального навантаження між ядрами процесора під час навчання моделі.

Конкатенація текстових векторів та векторів зображень безпосередньо в один довгий рядок даних.

Встановлення відповідностей між під-елементами різних модальностей (наприклад, зіставити конкретне слово в реченні з певним регіоном на зображенні).

Приведення частоти дискретизації аудіосигналу та частоти кадрів відео до одного спільного знаменника.