Модель предназначена для задач image-text-to-text: она может анализировать изображения и генерировать текстовые ответы, в том числе в conversational-сценариях.
Ключевые характеристики модели — семейство Gemma 4, размер 31B параметров, instruction-tuned настройка, поддержка работы с изображениями и текстом, 4-битное квантование и формат MLX. README не содержит сведений о поддерживаемых языках и размере контекстного окна. Формат MLX ориентирован на использование в экосистеме MLX, а запуск возможен через библиотеку mlx-vlm.
К сильным сторонам относятся мультимодальность, возможность следовать инструкциям и сниженные требования к памяти благодаря 4-битному представлению. Ограничениями являются зависимость от MLX-совместимой среды, возможные потери качества из-за квантования и отсутствие в доступных данных подробных сведений о производительности, языках и контекстном окне. Модель распространяется по лицензии Apache-2.0.