Xiaomi-Lens-0 技术报告
Xiaomi-Lens-0 是一款基于 Qwen3.5、拥有 40 亿参数的多模态语言模型，旨在提升对图像细粒度区域的理解能力。轻量级解码器利用视觉特征和模型自身的表示生成分割掩码，因此无需额外的分割编码器。在 RefCOCO、RefCOCO+ 和 RefCOCOg 的全部八个数据集划分中，该模型的指代理解平均得分比 Qwen3.5 高 5.6 分，分割 cIoU 也超过所有对比模型。此外，在报告的全部感知基准测试中，它均优于 Qwen3.5。
本文来源：Hugging Face，仅供学习参考，版权归原作者所有。