Модель подготовлена сообществом inferencerlabs для выполнения через MLX, включая модифицированную версию MLX, и предназначена для сценариев image-text-to-text: обработки изображений совместно с текстовыми запросами и генерации текстовых ответов.

Модель использует квантование Q9, которое, согласно приведённым измерениям, обеспечивает близкие к базовой версии результаты: заявлены perplexity 1,20312 и точность токенов 97,80% против 100% у Base. Тестирование проводилось на системе с M3 Ultra через Inferencer app v2.3.5; для мультимодального вывода указана скорость около 22,3 токена в секунду и объём памяти примерно 332,8 GiB. Архитектура, число параметров, поддерживаемые языки и размер контекстного окна в README не указаны.

Сильной стороной модели является сочетание мультимодальности и высокоточного Q9-квантования, потенциально позволяющее экономить ресурсы по сравнению с полноточной версией при небольшом снижении качества. Ограничениями остаются высокая заявленная потребность в памяти, зависимость от MLX и оборудования Apple Silicon, а также отсутствие подробных сведений о языках, контексте и результатах независимых тестов. Лицензия в README не указана; условия использования следует уточнять у авторов базовой модели и квантованной версии.