Она предназначена для сценариев image-text-to-text, включая обработку изображений и генерацию текстовых ответов по визуальным запросам, например для описания содержимого изображения.

Модель представлена в 4-битном формате QAT, что ориентировано на запуск с меньшими требованиями к памяти в совместимой экосистеме MLX; для использования рекомендуется библиотека mlx-vlm. В README указано, что заявленный язык — английский. Сведения об архитектуре, точном размере, длине контекста, поддерживаемых модальностях помимо изображений и текста, результатах оценки, ограничениях и лицензии не приведены, поэтому эти характеристики нельзя достоверно определить по имеющимся данным.