La traducción multimodal automática (MMT) durante mucho tiempo se ha considerado superior a la traducción automática tradicional de texto solo al aprovechar la información visual. Sin embargo, estudios recientes desafían esta suposición, mostrando que los modelos MMT tienen un rendimiento similar incluso cuando se prueban sin imágenes o con imágenes no coincidentes. Esto plantea preguntas fundamentales sobre la utilidad real de la información visual en MMT, que este trabajo busca investigar.