小米 AI 实验室发布细粒度多模态模型 Xiaomi-Lens-0：4B 参数刷新 RefCOCO 语义分割纪录，掩码自监督打通像素级空间定位
针对多模态大模型普遍依赖纯文本监督而欠缺像素级细粒度空间定位能力的瓶颈，小米 AI 实验室（Xiaomi AI Lab）发表技术报告 Xiaomi-Lens-0（arXiv:2610.23279）。该模型基于 Qwen3.5 4B 打造，通过轻量级掩码解码器将视觉编码器 Patch 特征、隐层表征与掩码 Token 状态深度融合，在 RefCOCO/RefCOCO+/RefCOCOg 目标表达理解（REC 达 94.6%/92.1%/92.5%）与表达语义分割（RES cIoU 达 83.4%/79.9%/81.1%）上全面超越 Florence-2 与 LISA，同时保持 69.7% 的通用多模态感知高分。
核心要点速览
- 小米 AI 实验室发布 4B 参数细粒度多模态大模型 Xiaomi-Lens-0（arXiv:2610.23279），以 Qwen3.5 4B 为基座原生输出像素掩码
- 在 RefCOCO/RefCOCO+/RefCOCOg 目标表达理解（REC）测试中分别斩获 94.6%、92.1% 与 92.5%，全面超越 Florence-2 与 Grounding-DINO-L
- 在表达语义分割（RES）任务上取得 83.4% / 79.9% / 81.1% 的 cIoU 高分，大幅碾压 7B 级的 LISA 与 GSVA
- 在 MME-RW-en 真实世界通用评测中取得 69.7%，超越 Qwen2.5-VL 7B，证实细粒度空间监督能够反哺通用多模态理解
关联模型 / 智能体 / 厂商:
