Модель предназначена для запуска через llama.cpp и совместимые инструменты, а её исходная архитектура постобучена на Qwen3-VL-8B-Instruct.

Модель ориентирована на задачи physical AI и робототехники: пространственно-временное понимание сцен, анализ изображений и видео, обнаружение объектов с локализацией 2D- и 3D-точек и ограничивающих рамок, подготовку данных, видеоаналитику и планирование действий роботов. Поддерживается контекст до 256K входных токенов, заявлен английский язык. Модель работает с текстом и визуальными данными, включая изображения и видео, и учитывает пространственные, временные и базовые физические характеристики окружающей среды.

Доступны варианты F16 размером 16 ГБ, Q8_0 размером 8,2 ГБ и Q4_K_M размером 4,7 ГБ; vision encoder сохранён в формате F16 и занимает около 1,1 ГБ. Квантизация уменьшает требования к памяти и упрощает локальный запуск, но варианты с меньшей точностью могут уступать F16 по качеству. Для использования требуется совместимый стек llama.cpp. Модель распространяется по NVIDIA Open Model License; конкретные условия следует уточнять в тексте этой лицензии.