LordDaecius разработал эту модель как дообученную с помощью QLoRA и supervised fine-tuning мультимодальную модель Qwen2.5-VL-7B-Instruct. Она принимает скриншоты игрового интерфейса и текстовые запросы, описывает элементы меню и предлагает пошаговые действия — например, что нажать, чтобы начать игру.

Модель предназначена для навигации по игровым меню с опорой на зрительный анализ интерфейса. В каталоге Hugging Face она отмечена как модель image-text-to-text с архитектурой Qwen2.5-VL и возможностями чата и обработки изображений; веса представлены в формате safetensors. Лицензия в предоставленных данных не указана.

Модель обучена на небольшом наборе скриншотов игровых интерфейсов, поэтому может плохо справляться с незнакомыми играми и сложными иерархиями меню.