Она дообучена примерно на 3 тысячах примеров из набора BLIP3o-Pretrain-Long-Caption, чтобы воспроизводить подход BLIP3o к созданию подробных и насыщенных описаний изображений.

Модель предназначена для captioning-сценариев: описания пейзажей, природных сцен, портретов, объектов и других категорий изображений. Она также поддерживает последовательное описание кадров видео, поэтому может применяться для задач, где важен временной порядок визуальных наблюдений. По заявлению автора, шаблон чата содержит встроенную системную инструкцию для детализированных описаний, а режим рассуждений по умолчанию отключён, что ориентировано на низкую задержку. Заявлен английский язык; модель работает с текстом и изображениями. Точный размер контекста и архитектурные параметры в README не указаны, однако доступны версии GGUF с разными уровнями квантования размером примерно от 4,4 до 15,1 ГБ, а также отдельные мультимодальные проекторы.

Сильными сторонами модели являются специализация на структурированных, подробных и контекстно насыщенных описаниях, поддержка локального запуска и последовательной обработки кадров видео. Модель экспериментальная и не является универсальной: при использовании для общего диалога или задач instruction following вне области captioning возможны артефакты и ухудшение качества. Распространяется по лицензии Apache-2.0.