小米4B多模态模型把掩码监督送进主干：指代理解八项切分平均涨5.6分
小米发布4B多模态模型Xiaomi-Lens-0，让掩码从模型自身的视觉表征中解码，而不是依赖额外的分割编码器。此前多模态模型的掩码监督多停在冻结的视觉编码器上，或只把掩码当作分割手段。该模型用语言模型生成的掩码令牌状态作为视觉潜变量，与视觉编码器的图块特征一起送入轻量解码器，使像素级监督回流到与语言生成共享的主干；在RefCOCO、RefCOCO+、RefCOCOg全部八个切分上，指代理解平均比Qwen3.5高5.6分，并在所有对比模型中取得最高的分割cIoU。