Модель предназначена для диалоговых сценариев и задач image-text-to-text, в которых требуется обрабатывать изображения вместе с текстовыми запросами и генерировать текстовые ответы. Поддерживаются английский, немецкий, французский, итальянский, португальский, хинди, испанский и тайский языки.

Модель основана на архитектуре mllama и имеет размер около 11 млрд параметров; формат GGUF ориентирован на эффективное локальное использование совместимыми инструментами. Ключевое преимущество — сочетание языкового и визуального ввода, а также наличие квантизированных вариантов, потенциально снижающих требования к памяти. README не содержит точных сведений о методах квантизации, размерах отдельных файлов, длине контекста, результатах тестирования или известных ограничениях качества. Модель распространяется по лицензии Llama 3.2.