Diese Arbeit präsentiert Vilio, eine Implementierung von State-of-the-Art-Visuo-Linguistischen Modellen und deren Anwendung auf den Hateful Memes Dataset. Die implementierten Modelle wurden in eine einheitliche Codebasis integriert und angepasst, um eine verbesserte Leistung zu erzielen. Das Ziel von Vilio besteht darin, einen benutzerfreundlichen Einstiegspunkt für beliebige visuo-linguistische Aufgaben bereitzustellen. Eine Ensemble-Modellierung aus fünf verschiedenen V+L-Modellen, die in Vilio implementiert sind, erreicht beim Hateful Memes Challenge den 2. Platz unter insgesamt 3.300 Teilnehmern. Der Quellcode ist unter https://github.com/Muennighoff/vilio verfügbar.