По указанным данным, она предназначена для задач image-text-to-text: принимает текстовые запросы и изображения, а затем генерирует текстовые ответы, например описания изображений. Для запуска используется пакет mlx-vlm.

Модель имеет размер 12B параметров и представлена в формате 4-bit QAT-квантизации, что уменьшает требования к памяти по сравнению с полноразмерным представлением и делает её подходящей для локального запуска на совместимом оборудовании Apple через MLX. В README не указаны поддерживаемые языки, размер контекста, точная архитектура, результаты тестирования, сильные стороны и ограничения. Лицензия также не указана, поэтому условия использования по предоставленным данным определить нельзя.