बनी हल्के लेकिन शक्तिशाली बहु-मोडल मॉडल की एक श्रृंखला है, जो कई प्लग-एंड-प्ले दृश्य एन्कोडर और भाषा बैकबोन नेटवर्क प्रदान करती है। मॉडल के आकार को कम करने के लिए मुआवजे के रूप में, व्यापक डेटा स्रोतों से चुने हुए चयन के माध्यम से, अधिक समृद्ध प्रशिक्षण डेटा का निर्माण किया जाता है। बनी-v1.0-3B मॉडल प्रदर्शन में समान आकार या इससे भी बड़े MLLM (7B) मॉडल को पार करता है, और 13B मॉडल के प्रदर्शन के बराबर है।