Она предназначена для задач image-text-to-text: обработки изображений и текста с генерацией текстовых ответов. Модель доступна в формате GGUF и ориентирована на запуск локально через llama.cpp-совместимые инструменты.

Заявленный размер модели — 2 млрд параметров. Поддерживаются китайский и английский языки. В README не указаны точная архитектура, максимальная длина контекста, перечень поддерживаемых форматов изображений и результаты оценивания качества, поэтому производительность в конкретных сценариях определить нельзя.

К сильным сторонам относятся компактный размер, мультимодальность и возможность локального запуска с аппаратным ускорением. Ограничением является то, что адаптация модели интегрируется в llama.cpp и на момент публикации предлагается использовать специальную ветку проекта, поэтому совместимость и удобство эксплуатации могут отличаться от стандартной версии llama.cpp. Использование весов регулируется условиями лицензии GLM-4, указанными в файле LICENSE.