小米发布 4B 多模态模型 Xiaomi-Lens-0,区域理解超 Qwen3.5
SeerRay-Lab · hf · 2026-10-19
小米小爱 Plus 与 SeerRay 团队发布 Xiaomi-Lens-0 技术报告,一个基于 Qwen3.5 的 4B 多模态大模型,针对 MLLM 细粒度区域理解短板:
- 方法:轻量解码器将视觉编码器 patch 特征与视觉 latent、语言模型的 mask-token 状态结合,直接从自身视觉表示预测 mask,无需额外分割编码器。
- 有接地推理:每个 latent 解码为 mask,模型可在思维链中插入区域特定 latent,「用视觉 latent 思考」,推理轨迹同时监督所关注的区域。
- 结果:在全部八个 RefCOCO/RefCOCO+/RefCOCOg 划分上,指代理解平均超过 Qwen3.5 达 5.6 分,分割 cIoU 为对比模型中最高,并在所有感知基准上超越 Qwen3.5。
「研究」频道最新
- ARC-SORT 零训练实时追踪体育转播，大幅减少身份切换 — Girish Kumar Adari · 2026-10-19
- AI 数学家质疑引火：批评者称 AI 全靠 Lean，答不了「为什么成立」 — gerardsans · 2026-10-19
- AI 能否创造新数学?研究者激辩:离开 Lean 就接不上点 — gerardsans · 2026-10-19
- 博客主猜想：能否用 git 历史追踪 Claude/Codex 的量化「水印」 — StewartalsopIII · 2026-10-19
- ICLR 放榜前豪赌:AI 圈预测研究奖学金论文九成被拒 — anpaure · 2026-10-19
- LLM 评委错误相关，传统多数投票让评测过度自信 — burkov · 2026-10-19