Модель предназначена для генерации текста в диалогах и обработки сценариев image-text-to-text, то есть может работать с текстовыми запросами и изображениями.

Текстовая часть модели имеет размер 27B параметров и подвергнута 6-битному аффинному квантованию с размером группы 64. Vision tower и projector сохранены в формате BF16. В README не указаны поддерживаемые языки и размер контекстного окна. Модель рассчитана на локальный запуск с использованием mlx-lm; заявлена проверка базовой связности генерации, успешно пройденная без пустых ответов, циклов повторения и повреждённого текста.

К преимуществам относятся уменьшенный объём хранения и потенциально более низкие требования к памяти по сравнению с полной версией, а также сохранение мультимодального vision-компонента в BF16. Ограничения связаны с потерями, возможными при квантовании, зависимостью от экосистемы MLX и Apple Silicon, а также отсутствием в README подробных данных о производительности на широком наборе задач. Указанные результаты составляют 0,6000 на ARC-Easy и 0,5400 на HellaSwag и не дают полного представления о качестве модели. Модель распространяется по лицензии Apache-2.0.