Модель предназначена для задач «изображение—текст» и обработки текстовых запросов с визуальной информацией, включая сценарии, требующие понимания изображений и генерации ответов на естественном языке.

Модель относится к семейству Gemma 4 и содержит 31 млрд параметров в исходной версии. Квантизация выполнена с использованием llm-compressor. Vision encoder, lm_head, embeddings и norm layers сохранены в исходной точности, а остальные компоненты переведены в формат INT8. Это позволяет снизить требования к памяти по сравнению с полноточной версией, сохраняя исходную точность для критически важных компонентов, однако конкретные показатели качества и производительности в README не приведены.

Модель распространяется по лицензии Gemma. Сведения о поддерживаемых языках, размере контекстного окна, аппаратных требованиях, бенчмарках и ограничениях применения в предоставленных данных отсутствуют.