Xiaomi-Lens-0 テクニカルレポート：視覚表現からマスクを予測する4Bマルチモーダルモデル

Xiaomi-Lens-0は、Qwen3.5を基にした4Bのマルチモーダルモデルで、自身の視覚表現からマスクを予測して細かな領域の理解を高める。RefCOCO、RefCOCO+、RefCOCOgの計8つの分割すべてで参照理解はQwen3.5比で平均5.6ポイント向上し、セグメンテーションのcIoUは比較モデル中で最高となった。知覚系ベンチマークではQwen3.5を全て上回った。