AnswersPublished14 sources
Xiaomi’nin 4 milyar parametreli modeli, yanıtını görüntüdeki bölgeyle eşleştiriyor
Xiaomi Lens 0, Qwen3.5 4B üzerine kurulu 4 milyar parametreli bir model; metinsel yanıtlarını görüntü bölgelerini gösteren piksel maskeleriyle destekleyebiliyor. Proje, sekiz RefCOCO ailesi bölünmesinde referanslı anlama başarısının ortalama 5,6 puan arttığını bildiriyor; sonuçlar bağımsız doğrulama değil, proje rap...
YayımlayanGPT-6 Luna ile düzenlendiGörseller GPT Image 2 ile oluşturuldu
Research answer
Key takeaways
- Xiaomi Lens 0, Qwen3.5 4B üzerine kurulu 4 milyar parametreli bir model; metinsel yanıtlarını görüntü bölgelerini gösteren piksel maskeleriyle destekleyebiliyor.
- Proje, sekiz RefCOCO ailesi bölünmesinde referanslı anlama başarısının ortalama 5,6 puan arttığını bildiriyor; sonuçlar bağımsız doğrulama değil, proje raporlaması.
- Modelin ağırlıkları Hugging Face’te, kodu GitHub’da bulunuyor; LensBench adlı bir segmentasyon kıyaslaması da projeye eşlik ediyor.
AI Prompt
openai.comCreate a landscape editorial hero image for this Studio Global article: What is Xiaomi-Lens-0, the 4-billion-parameter multimodal model open-sourced by Xiaomi’s SeerRay-Lab in October 2026, and how do its officia. Article summary: Xiaomi-Lens-0 is a compact 4-billion-parameter multimodal model built on Qwen3.5-4B that combines textual answers with pixel-level image-region masks, using a shared visual backbone and a lightweight mask decoder. [3] It. Topic tags: general, general web. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermarks, charts with fake numbers, clic
Bir görseli tarif etmek başka, “şu nesne” derken tam olarak görüntünün hangi bölümünü kastettiğini göstermek başka. Xiaomi-Lens-0, metin yanıtlarını piksel düzeyinde görüntü maskeleriyle eşleştirmeyi hedefleyen 4 milyar parametreli (4B) bir multimodal model. Qwen3.5-4B tabanlı sistem, yanıt verdiği bölgeyi yalnızca sonuçta değil, akıl yürütme sırasında da işaretleyebiliyor. 1
Yanıtı görüntüdeki bölgeye nasıl bağlıyor?
Model, ortak bir görsel omurga üzerinden piksel düzeyindeki denetimle eğitiliyor. Metin üretirken <|mask|> belirteci oluşturduğunda, hafif bir çözücü bu belirteci görüntü üzerinde bir maskeye dönüştürüyor. Böylece sistem, yazılı yanıtının yanı sıra o yanıtı destekleyen görüntü alanını da gösterebiliyor. 1
Proje bu yaklaşımı, görsel gizil temsillerle temellendirilmiş akıl yürütme olarak tanımlıyor. Bu ifade, bölge işaretlemenin yalnızca sonradan üretilen bir segmentasyon çıktısı olmadığını düşündürüyor. Ancak mevcut proje açıklaması, ara maskelerin sonraki akıl yürütme adımlarına tam olarak nasıl katıldığını veya belirteçlerin bütün kullanım protokolünü açıklamıyor. 1
10
Hangi görevleri destekliyor?
SeerRay-Lab’ın proje tanımında referanslı segmentasyon ve akıl yürütme segmentasyonu, birden çok örneği ayrı ayrı eşleştirme, ince ayrıntılı bölge anlama ve görsel algı görevleri sayılıyor. Model ayrıca sekiz RefCOCO ailesi bölünmesindeki referanslı anlama sonuçlarıyla tanıtılıyor. 10
1
Projede, segmentasyon kıyaslaması LensBench de yer alıyor. Kod, model, rapor ve proje sayfası da listelenmiş durumda. İkincil haber kaynağı modele eşlik eden bir demodan söz ediyor; ancak eldeki bilgiler demoda hangi özelliklerin bulunduğunu, LensBench’in kapsamını veya değerlendirme yöntemini ortaya koymuyor. 10
2
Açıklanan performans sonuçları
Projenin bildirdiğine göre Xiaomi-Lens-0, Qwen3.5-4B’ye kıyasla sekiz RefCOCO ailesi bölünmesinde referanslı anlama puanını ortalama 5,6 puan yükseltiyor. Proje, sekiz ince ayrıntılı algı kıyaslamasının tamamında da puanların arttığını belirtiyor. Bunlar proje tarafından açıklanan sonuçlar; bağımsız tekrar deneyleri olarak değerlendirilmemeli. 1
İkincil bir haber özeti, CountQA puanında 6,8 puanlık artış bildiriyor ve modelin karşılaştırmaya alınan sistemler arasında en yüksek segmentasyon cIoU değerine ulaştığını aktarıyor. Ancak özet; kullanılan temel model ve ayarları, tek tek puanları ya da karşılaştırma grubunun tamamını vermiyor. Bu nedenle söz konusu bilgiler, eksiksiz bir performans sıralaması değil, aktarılan sonuçlar olarak okunmalı. 2
Nerede bulunuyor, kullanımda nelere dikkat edilmeli?
Model ağırlıkları Hugging Face’te, proje kodu ise SeerRay-Lab’ın GitHub deposunda yayımlanmış. GitHub deposu Apache-2.0 lisansını belirtiyor. 1
29 Hugging Face sayfası teknik rapor olarak 2610.23279 numarasını veriyor ve Transformers için bir görsel-metin pipeline örneği gösteriyor. Bu örnek tek başına, özel maske çözücüsünün ek proje ayarı olmadan standart bir Transformers pipeline’ında çalıştığını kanıtlamıyor.
29
Haber kaynağı çıkışı Xiaomi’ye atfediyor; model ve kod depolarıysa SeerRay-Lab adı altında yayımlanmış. Mevcut kaynaklar, SeerRay-Lab’ın Xiaomi ile resmî kurumsal ilişkisini bağımsız biçimde doğrulamıyor. 2
1
29
Görüntüdeki bölgeyi maske olarak gösterebilmek; robotik toplama-bırakma sistemlerinde bir nesneyi seçmek, araç içi bir yardımcıya sorulan nesneyi vurgulamak veya telefonda bir fotoğraftaki öğeyi bulmaya yardım etmek gibi kullanım alanlarına kapı aralayabilir. Bunlar olası senaryolar; doğrulanmış ürün kullanımları değil. Kaynaklarda cihaz üzerindeki hız, bellek ve güç tüketimi ya da güvenlik açısından kritik uygulamalara hazır olup olmadığı hakkında bilgi verilmiyor.
Studio Global AI
Continue your research
This page includes a source-backed answer you can continue inside Studio Global.
People also ask
What is the short answer to "Xiaomi’nin 4 milyar parametreli modeli, yanıtını görüntüdeki bölgeyle eşleştiriyor"?
Xiaomi Lens 0, Qwen3.5 4B üzerine kurulu 4 milyar parametreli bir model; metinsel yanıtlarını görüntü bölgelerini gösteren piksel maskeleriyle destekleyebiliyor.
What are the key points to validate first?
Xiaomi Lens 0, Qwen3.5 4B üzerine kurulu 4 milyar parametreli bir model; metinsel yanıtlarını görüntü bölgelerini gösteren piksel maskeleriyle destekleyebiliyor. Proje, sekiz RefCOCO ailesi bölünmesinde referanslı anlama başarısının ortalama 5,6 puan arttığını bildiriyor; sonuçlar bağımsız doğrulama değil, proje raporlaması.
What should I do next in practice?
Modelin ağırlıkları Hugging Face’te, kodu GitHub’da bulunuyor; LensBench adlı bir segmentasyon kıyaslaması da projeye eşlik ediyor.