Azpiproiektuaren helburu nagusia zeinu-hizkuntzaren ulermena eta itzulpena hobetzea da, Ikusmen-Hizkuntza Ereduak (Vision-Language Models, VLM) garatuz. Ahalegin hau diziplinarteko lankidetza baten barruan kokatzen da, datu bisualen eta testualen integrazioan gaur egun dauden mugak gainditzea helburu duena, hala nola ikusmen-ainguratzea, konposiziozko adierazgarritasuna eta modalitateen arteko ezagutza-transferentzia hobetuz.