# 指代表达分割

无人机航拍里，被指代的目标常常只占几十个像素，还挤在一群外观相似的车辆或行人中，生成式编辑器能画出轮廓却可能选错实例。DroneSegEdit 冻结开源的 LongCat-Image-Edit，只训练轻量 LoRA 渲染候选区域，再用语言锚定的空间核验器在候选内部剔除与指代表达不符的前景。在 RIS-LAD 完整官方测试集上，它取得 52.78 mIoU，比此前最好的 ReSaP-8B 高 7.16 点；在 UAVid-RIS 与 VDD-RIS 上整体保持竞争力，车辆、行人等紧凑类别的提升最明显。

无人机航拍里，被指代的目标常常只占几十个像素，还挤在一群外观相似的车辆或行人中，生成式编辑器能画出轮廓却可能选错实例。DroneSegEdit 冻结开源的 LongCat-Image-Edit，只训练轻量 LoRA 渲染候选区域，再用语言锚定的空间核验器在候选内部剔除与指代表达不符的前景。在 RIS-LAD 完整官方测试集上，它取得 52.78 mIoU，比此前最好的 ReSaP-8B 高 7.16 点；在 UAVid-RIS 与 VDD-RIS 上整体保持竞争力，车辆、行人等紧凑类别的提升最明显。

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。

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。