En este estudio, aprovechamos los avances en los modelos de lenguaje grandes (LLMs) para la clasificación de imágenes de alimentos detallada. Logramos esto integrando características textuales extraídas de imágenes utilizando un LLM en un marco de aprendizaje multimodal. Específicamente, las descripciones textuales semánticas generadas por el LLM se codifican y se combinan con características de imagen obtenidas de una arquitectura basada en transformadores para mejorar la clasificación de imágenes de alimentos. Nuestro enfoque emplea un mecanismo de atención cruzada para fusionar de manera efectiva las modalidades visual y textual, mejorando la capacidad del modelo para extraer características discriminativas más allá de lo que se puede lograr solo con características visuales.