Исходная модель разработана организацией zai-org. По указанной классификации это мультимодальная модель для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстового ответа.

Модель предназначена для локального запуска через совместимые инструменты, включая llama.app и команду llama serve. В README не указаны архитектура, размер, варианты квантования, поддерживаемые языки, максимальная длина контекста и конкретные сценарии применения, поэтому эти характеристики нельзя достоверно оценить. Также не приведены результаты тестирования, сведения о производительности или ограничения исходной модели. Репозиторий распространяется по лицензии MIT.