Модель предназначена для мультимодального вывода и относится к классу image-text-to-text, то есть может обрабатывать изображения и текст и генерировать текстовые ответы. README не содержит сведений о точном размере модели, архитектуре, поддерживаемых языках и длине контекста.

Модель использует квантование Q9; по приведённым данным, такая конфигурация обеспечивает показатели, близкие к базовой модели: perplexity 1,20312 против 1,20312, token accuracy 97,80% против 100% и missed divergence 9,60% против 0%. На системе с Apple M3 Ultra заявлена скорость мультимодального вывода около 33,6 токена в секунду, при этом требуется примерно 189,6 GiB памяти. Эти результаты зависят от аппаратной конфигурации и условий запуска.

Основное преимущество модели — сочетание мультимодальных возможностей с высокой точностью Q9-квантования. Ограничениями являются значительные требования к памяти, зависимость производительности от среды MLX и отсутствие в README подробных сведений о возможностях, языках и контекстном окне. Лицензия в предоставленных материалах не указана.