Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
Xiaomi-Lens-0 can answer a question about an image and, in the same breath, outline the exact area of the picture it is talking about. The release, published on 21 October 2026, comes from SeerRay-Lab, the Visual Understanding Group inside Xiaomi's large language model applications team. The model card and report credit Xiaomi Corporation, so this is a Xiaomi research release, not a third-party copy.
Xiaomi-Lens-0 puede responder a una pregunta sobre una imagen y, al mismo tiempo, delinear el área exacta de la imagen de la que habla. La publicación, fechada el 21 de octubre de 2026, procede de SeerRay-Lab, el Grupo de Comprensión Visual del equipo de aplicaciones de modelos de lenguaje de gran tamaño de Xiaomi. La ficha del modelo y el informe atribuyen el trabajo a Xiaomi Corporation, así que se trata de una publicación de investigación de la propia Xiaomi y no de una copia de terceros.
The model is built on Qwen3.5-4B and adds a lightweight pixel-mask decoder. When it emits a special mask token, the decoder turns that token's visual representation into a segmentation mask over the image. Because each representation maps to one region, the model can interleave ordinary text with region pointers during its step-by-step reasoning, not only in the final answer. The team also released LensBench, a segmentation benchmark, and a demo.
El modelo se basa en Qwen3.5-4B y añade un decodificador ligero de máscaras de píxeles. Cuando emite un token especial de máscara, el decodificador convierte la representación visual de ese token en una máscara de segmentación sobre la imagen. Como cada representación corresponde a una región, el modelo puede intercalar texto ordinario con indicadores de región durante su razonamiento paso a paso, y no solo en la respuesta final. El equipo también ha publicado LensBench, un benchmark de segmentación, y una demo.
The technical report credits the model with an average gain of 5.6 points over the Qwen3.5 base on referring comprehension, the task of finding the object a sentence describes, across eight splits of the RefCOCO, RefCOCO+ and RefCOCOg tests. It also cites a 6.8-point gain on CountQA and says the model leads the systems it lists on segmentation cIoU, a measure of how closely predicted masks match the true ones. These are the authors' own evaluations, and the release mentions no independent test.
El informe técnico atribuye al modelo una mejora media de 5,6 puntos sobre el modelo base Qwen3.5 en comprensión referencial, es decir, la tarea de encontrar el objeto que describe una frase, en ocho particiones de las pruebas RefCOCO, RefCOCO+ y RefCOCOg. También menciona una mejora de 6,8 puntos en CountQA y afirma que el modelo supera a los sistemas que enumera en cIoU de segmentación, una medida de hasta qué punto las máscaras predichas coinciden con las reales. Se trata de evaluaciones de los propios autores, y la publicación no menciona ninguna prueba independiente.
For developers and researchers, the change is access: the weights, code and report are public under the Apache 2.0 license, which allows reuse. The release names robotics pick-and-place, in-car assistants and phone visual helpers as edge-oriented experiments, since a 4-billion-parameter model is small enough for such devices. None of these uses is described as a product, and no date is given. Loading the model requires the accompanying Xiaomi-Lens package, not a standard Transformers class alone.
Para desarrolladores e investigadores, el cambio está en el acceso: los pesos, el código y el informe son públicos bajo la licencia Apache 2.0, que permite reutilizarlos. La publicación cita como experimentos orientados a dispositivos de pequeño tamaño la manipulación robótica de pick-and-place, los asistentes para automóviles y los asistentes visuales para teléfonos, ya que un modelo de 4.000 millones de parámetros es lo bastante pequeño para estos dispositivos. Ninguno de estos usos se describe como producto, y no se indica fecha. Para cargar el modelo hace falta el paquete Xiaomi-Lens que lo acompaña, y no basta con una clase estándar de Transformers.