**小米发布 Xiaomi-Lens-0：4B 参数多模态模型实现视觉思维链与区域定位突破**

_Xiaomi-Lens-0 Technical Report_

> 针对多模态大模型在细粒度区域理解上的不足，小米推出了基于 Qwen3.5 构建的 4B 参数模型 Xiaomi-Lens-0。该模型通过轻量级解码器直接利用视觉特征预测掩码，实现了无需额外分割编码器的区域监督，并创新性地引入“视觉思维链”机制，让模型在推理过程中同步进行区域定位。实验表明，Xiaomi-Lens-0 在指代理解基准上平均提升 5.6 分，并在多项感知基准上超越 Qwen3.5。

**来源信息**
- **来源**：HuggingFace Daily Papers（社区热门论文）
- **分类**：论文
- **发布时间**：2026-10-19 08:00（北京时间）
- **原文**：[打开原文](https://huggingface.co/papers/2610.23279)