Модель предназначена для задач physical AI и робототехники: анализа изображений и видео, пространственно-временного рассуждения, курирования данных, планирования действий роботов, обнаружения объектов, определения 2D- и 3D-точек локализации и работы с ограничивающими рамками. Она также понимает базовые законы физики и пространственные взаимосвязи.

Это мультимодальная vision-language model с примерно 2 млрд параметров, дообученная на базе Qwen3-VL-2B-Instruct. Заявлена поддержка контекста до 256K входных токенов и английского языка. Модель поставляется в форматах F16, Q8_0 и Q4_K_M для запуска через llama.cpp и совместимые инструменты; F16-версия занимает около 3,8 ГБ, Q8_0 — 2,1 ГБ, Q4_K_M — 1,2 ГБ. Визуальный энкодер mmproj сохраняется в точности F16 и занимает около 782 МБ.

Сильными сторонами являются мультимодальный анализ, работа с видео, физическое и пространственно-временное рассуждение, а также возможность выбора между несколькими уровнями квантизации для баланса качества и требований к памяти. Ограничения включают сравнительно небольшой размер в 2 млрд параметров и зависимость от совместимого ПО для запуска GGUF; конкретные показатели качества и поддерживаемые аппаратные конфигурации в карточке не указаны. Модель распространяется по NVIDIA Open Model License.