Η μελέτη διαπιστώνει ότι τα μοντέλα γλώσσας όρασης φτάνουν σε οροφή κατηγορίας μοντέλου σε προσαρμογή σε λίγες λήψεις
Μια νέα μελέτη arXiv αναφέρει ότι ο συντονισμός της ανάμειξης μεταξύ πρωτοτύπων κειμένου και εικόνας δεν είναι το κύριο όριο στην ακρίβεια του μοντέλου γλώσσας όρασης σε λίγες λήψεις. Σε πειράματα που κάλυπταν 4.800 κελιά αξιολόγησης, οι γραμμικοί ανιχνευτές χωρίς επικύρωση είχαν καλύτερη απόδοση ακόμη και ενός μείγματος που επιλέχθηκε με πληροφορίες συνόλου δοκιμών.