Модель основана на Gemma 4 и предназначена для задач image-text-to-text, то есть обработки изображений и текста с генерацией текстовых ответов.
Модель подходит для локального запуска мультимодальных сценариев, например описания изображений, визуального вопросно-ответного взаимодействия и других задач, где требуется анализ изображения по текстовой инструкции. Конкретные сведения об архитектуре, количестве параметров, поддерживаемых языках и размере контекстного окна в README не указаны. Доступен 8-битный вариант, ориентированный на более эффективное использование памяти при запуске на Apple silicon через MLX и mlx-vlm.
README не содержит результатов бенчмарков или подробного описания сильных сторон и ограничений модели, поэтому её качество и область практической применимости следует оценивать отдельно. Модель распространяется по лицензии Gemma; исходной моделью указана google/gemma-4-E4B-it.