许多图像模型能告诉你“画面里有什么”，却未必能清楚指出答案对应图片中的哪一块。Xiaomi-Lens-0 想把这两件事放在一起：它基于 Qwen3.5-4B，除了生成文字回答，也能把特殊的 <|mask|> 标记解码成图像区域掩码，在最终回答或推理过程中标出相关像素。1

它如何把文字和图像区域对应起来？

据项目介绍，模型通过共享视觉主干网络接受像素级监督；生成 <|mask|> 标记后，再由轻量级解码器将其转换为图像掩码。因此，它不只是描述某个物体，也能指出回答所涉及的图像区域。1

SeerRay-Lab 将这类能力描述为结合视觉潜变量的“落地推理”，也就是说，区域定位可能不只出现在最后的分割结果中，也能参与推理过程。10不过，现有项目说明没有完整交代标记的使用协议，也未具体说明中间生成的掩码会如何影响后续推理步骤。110

支持哪些视觉任务？

SeerRay-Lab 列出的能力包括指称分割、推理分割、多实例定位、细粒度区域理解和视觉感知。10简单来说，模型需要根据文字描述找到图中对应目标，并在涉及多个相似对象或更细致区域理解时提供定位信息。项目报告的指称理解测试则覆盖 8 个 RefCOCO 系列划分。1

项目还列出了分割基准 LensBench，以及代码、模型、报告和项目页面等资源。10另一篇报道提到同时提供了演示，但现有资料没有说明演示的具体功能；LensBench 的规模、数据构成和评测流程也尚不明确。210

公开结果：提升幅度如何解读？

项目方称，在 8 个 RefCOCO 系列划分上，Xiaomi-Lens-0 的指称理解表现相较 Qwen3.5-4B 平均提高 5.6 分，并且在全部 8 项细粒度感知基准上的得分均有所提升。1这些是项目方公布的结果，不能直接视为独立团队已经复现的结论。1

一则二手报道还提到，CountQA 得分提高 6.8 分，且在其比较的系统中，Xiaomi-Lens-0 的分割 cIoU 最高。2但报道没有提供足够信息来核实具体基线、各项分数及完整比较对象，因此不宜据此把结果解读为全面的性能排名。2

开源情况与使用边界

模型权重发布在 Hugging Face，代码托管于 SeerRay-Lab 的 GitHub 仓库；仓库标注的许可证为 Apache-2.0。129Hugging Face 页面还关联了技术报告 2610.23279，并展示了一个 Transformers 的图文输入示例。29不过，仅凭这个示例无法确认自定义掩码解码流程是否能在不做项目特定配置的情况下，通过标准 Transformers 流程完整运行。29

媒体报道将这次发布归于小米，但代码和模型仓库使用的是 SeerRay-Lab 名称。现有资料不足以独立确认 SeerRay-Lab 与小米之间正式的组织关系。1229

可能的应用，还不等于实际部署

像素级定位可以让图像问答更具指向性：例如，为机器人抓取任务标出要拿取的物体，帮助车内助手指出乘客询问的画面区域，或协助手机用户在照片中找到某件物品。这些是基于模型能力推测的潜在用途，不代表已验证的实际部署。

目前公开资料也没有说明模型在设备端运行时的速度、内存占用和功耗，或它是否适合安全关键场景。参数规模较小，并不足以证明它已经适合直接部署到手机、车辆或机器人中。

许多图像模型能告诉你“画面里有什么”，却未必能清楚指出答案对应图片中的哪一块。Xiaomi-Lens-0 想把这两件事放在一起：它基于 Qwen3.5-4B，除了生成文字回答，也能把特殊的 <|mask|> 标记解码成图像区域掩码，在最终回答或推理过程中标出相关像素。1

它如何把文字和图像区域对应起来？

据项目介绍，模型通过共享视觉主干网络接受像素级监督；生成 <|mask|> 标记后，再由轻量级解码器将其转换为图像掩码。因此，它不只是描述某个物体，也能指出回答所涉及的图像区域。1

SeerRay-Lab 将这类能力描述为结合视觉潜变量的“落地推理”，也就是说，区域定位可能不只出现在最后的分割结果中，也能参与推理过程。10不过，现有项目说明没有完整交代标记的使用协议，也未具体说明中间生成的掩码会如何影响后续推理步骤。110

支持哪些视觉任务？

SeerRay-Lab 列出的能力包括指称分割、推理分割、多实例定位、细粒度区域理解和视觉感知。10简单来说，模型需要根据文字描述找到图中对应目标，并在涉及多个相似对象或更细致区域理解时提供定位信息。项目报告的指称理解测试则覆盖 8 个 RefCOCO 系列划分。1

项目还列出了分割基准 LensBench，以及代码、模型、报告和项目页面等资源。10另一篇报道提到同时提供了演示，但现有资料没有说明演示的具体功能；LensBench 的规模、数据构成和评测流程也尚不明确。210

公开结果：提升幅度如何解读？

项目方称，在 8 个 RefCOCO 系列划分上，Xiaomi-Lens-0 的指称理解表现相较 Qwen3.5-4B 平均提高 5.6 分，并且在全部 8 项细粒度感知基准上的得分均有所提升。1这些是项目方公布的结果，不能直接视为独立团队已经复现的结论。1

一则二手报道还提到，CountQA 得分提高 6.8 分，且在其比较的系统中，Xiaomi-Lens-0 的分割 cIoU 最高。2但报道没有提供足够信息来核实具体基线、各项分数及完整比较对象，因此不宜据此把结果解读为全面的性能排名。2

开源情况与使用边界

模型权重发布在 Hugging Face，代码托管于 SeerRay-Lab 的 GitHub 仓库；仓库标注的许可证为 Apache-2.0。129Hugging Face 页面还关联了技术报告 2610.23279，并展示了一个 Transformers 的图文输入示例。29不过，仅凭这个示例无法确认自定义掩码解码流程是否能在不做项目特定配置的情况下，通过标准 Transformers 流程完整运行。29

媒体报道将这次发布归于小米，但代码和模型仓库使用的是 SeerRay-Lab 名称。现有资料不足以独立确认 SeerRay-Lab 与小米之间正式的组织关系。1229

可能的应用，还不等于实际部署

像素级定位可以让图像问答更具指向性：例如，为机器人抓取任务标出要拿取的物体，帮助车内助手指出乘客询问的画面区域，或协助手机用户在照片中找到某件物品。这些是基于模型能力推测的潜在用途，不代表已验证的实际部署。

目前公开资料也没有说明模型在设备端运行时的速度、内存占用和功耗，或它是否适合安全关键场景。参数规模较小，并不足以证明它已经适合直接部署到手机、车辆或机器人中。