Модель относится к классу vision-language моделей и предназначена для задач преобразования изображений и текста в текст, включая сценарии, где требуется анализ визуального содержимого с формированием текстового ответа.

Модель содержит около 2 миллиардов параметров и распространяется в формате, совместимом с библиотекой Transformers. Она упакована для развертывания в программно-аппаратном стеке ускорения Mobilint и рассчитана прежде всего на использование с оборудованием Mobilint. В README указана поддержка английского языка, однако сведения о других языках, размере контекстного окна, архитектурных деталях, производительности и доступных режимах работы отсутствуют.

К сильным сторонам относятся оптимизация под NPU Mobilint и возможность локального ускоренного развертывания мультимодальной модели. Ограничением является зависимость от аппаратной платформы и стека Mobilint; результаты на другом оборудовании не описаны. Модель распространяется по лицензии Apache-2.0.