Модель предназначена для задач image-text-to-text: она принимает текстовые запросы и изображения и генерирует текстовые ответы, например описывает содержимое изображения. Формат MLX ориентирован на использование с инструментами mlx-vlm.
Модель имеет размер 26B-A4B и представлена в 8-битном формате с весами Safetensors. В README не указаны поддерживаемые языки, максимальная длина контекста, точная архитектура, результаты оценки или перечень дополнительных мультимодальных сценариев. К сильным сторонам относятся мультимодальный conversational-сценарий, 8-битное представление и совместимость с MLX; ограничениями являются зависимость от экосистемы MLX/mlx-vlm и отсутствие подробных сведений о производительности и языковой поддержке.
В карточке указана лицензия Apache 2.0, а также отдельная ссылка на лицензионные условия Gemma 4. Для запуска требуется пакет mlx-vlm и соответствующая MLX-совместимая среда.