arXiv · 机器人与计算机视觉· Pei Fu, Yike Liu, Yue Sun, Hanmo Wang, Xiuwen Xi, Ruoceng Zhang, Shaojie Zhang, Tingwei Huang, Chao Jiang, Hang Li, Bingrui Liu, Zhenbo Luo, Heng Qu, Changjian Xu, Ming Xu, Jian Luan·· 2026-10-19精选AI 评分82
Xiaomi-Lens-0 技术报告:一种能进行细粒度区域理解的 4B 参数多模态大语言模型
Xiaomi-Lens-0 Technical Report
AI 导读
该材料介绍了 Xiaomi-Lens-0,这是一个基于 Qwen3.5 构建的 4B 参数多模态大语言模型(MLLM)。针对现有文本监督无法指定支持答案区域的痛点,该模型通过轻量级解码器结合视觉编码器补丁特征与视觉潜变量,直接从自身视觉表示中预测掩码。
推荐理由
该报告介绍了一个基于 Qwen3.5 的 4B 参数多模态大语言模型,通过轻量级解码器实现掩码预测,在指代理解与分割任务上优于基线。
来源:arXiv · 机器人与计算机视觉 · arxiv.org