Исходная модель представляет собой небольшую агентную мультимодальную языковую модель с 7 млрд параметров, построенную на архитектуре Qwen2.5-VL-7B и выполненную как decoder-only-модель. Указан английский язык и поддержка обработки текста и изображений, включая скриншоты интерфейса.

Модель предназначена для задач компьютерного управления и автоматизации действий в браузере и на рабочем столе: веб-навигации, покупок, бронирования поездок и ресторанов, а также работы с аккаунтами. Она принимает пользовательскую цель, скриншоты браузера и историю действий, после чего формирует рассуждение и привязанные к интерфейсу вызовы инструментов для перемещения указателя, кликов, ввода текста, прокрутки, переходов по URL и веб-поиска. Контекст модели составляет 128 тысяч токенов. Среди заявленных преимуществ — специализированное обучение на синтетических траекториях и механизмы безопасности, останавливающие модель перед критическими действиями, например покупками или вводом персональных данных, и отказывающие во вредоносных сценариях. В README приведены результаты 73,5% на WebVoyager и 38,4% на WebTailBench, однако сведения о практической совместимости конкретных GGUF-квантизаций и требованиях к запуску не указаны.

Репозиторий содержит варианты от F32 и BF16/F16 до различных IQ- и Q-квантизаций размером примерно от 1,9 до 30,5 ГБ, что позволяет выбирать компромисс между качеством и требованиями к памяти. Ограничениями являются специализация на компьютерных сценариях, заявленная языковая поддержка только английского и потенциальные потери качества у более агрессивно квантованных вариантов. Лицензия — MIT.