Модель с задачей image-text-to-text предназначена для обработки изображений и текста с генерацией текстового ответа, а также для развертывания в стеке аппаратного ускорения Mobilint.

В README указано, что базовая модель — Qwen/Qwen2-VL-2B-Instruct, а библиотека интеграции — Transformers. Модель поддерживает английский язык; другие языки, размер контекста, точная архитектура и характеристики квантизации не указаны. Основное преимущество — компиляция и оптимизация под оборудование Mobilint, однако использование ориентировано на соответствующую аппаратную и программную среду, что ограничивает универсальность развертывания.

Модель распространяется по лицензии Apache-2.0.