Модель предназначена для computer-use-агентов: она принимает инструкцию на естественном языке и снимок экрана, чтобы определить нужный элемент интерфейса и вернуть его координаты для последующего клика или другого взаимодействия. Модель ориентирована на работу с реальными программными средами и поддерживает интеграцию через llama.cpp и Text Generation Inference.

В основе лежит MoE-архитектура Qwen3-VL с заявленными 30 млрд параметров; точное число активных параметров в README не указано. Поддерживается английский язык и мультимодальный ввод текста и изображений. Для модели опубликованы GGUF-файлы в форматах от F32 до различных вариантов квантования, а также отдельные мультимодальные проекторы. Версия F32 занимает около 122 ГБ, поэтому требует значительных вычислительных и оперативных ресурсов.

К сильным сторонам относятся специализация на точном позиционировании элементов интерфейса и высокие результаты на бенчмарках ScreenSpot-Pro и OS-World-G: около 63,88% и 69,15% соответственно, либо 74,65% на уточнённой версии OS-World-G. Ограничения включают узкую специализацию на GUI-задачах, поддержку английского языка по заявленным данным и высокие требования к ресурсам для полноформатной версии. Модель распространяется по лицензии Apache-2.0.