Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
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 peut répondre à une question sur une image et, dans le même mouvement, en délimiter la zone exacte dont il parle. La publication, datée du 21 octobre 2026, vient de SeerRay-Lab, le groupe de compréhension visuelle au sein de l'équipe applications des grands modèles de langage de Xiaomi. La fiche du modèle et le rapport attribuent le travail à Xiaomi Corporation : il s'agit donc d'une publication de recherche de Xiaomi, et non d'une copie tierce.
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.
Le modèle repose sur Qwen3.5-4B et ajoute un décodeur léger de masques de pixels. Lorsqu'il émet un jeton de masque spécial, le décodeur transforme la représentation visuelle de ce jeton en un masque de segmentation sur l'image. Comme chaque représentation correspond à une seule zone, le modèle peut intercaler du texte ordinaire et des pointeurs de zones pendant son raisonnement pas à pas, et non uniquement dans la réponse finale. L'équipe a aussi publié LensBench, un banc d'essai de segmentation, ainsi qu'une démo.
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.
Le rapport technique attribue au modèle un gain moyen de 5,6 points par rapport à la base Qwen3.5 en compréhension référentielle, c'est-à-dire la tâche consistant à trouver l'objet décrit par une phrase, sur huit découpages des tests RefCOCO, RefCOCO+ et RefCOCOg. Il cite aussi un gain de 6,8 points sur CountQA et affirme que le modèle devance les systèmes qu'il énumère sur le cIoU de segmentation, une mesure de la proximité entre les masques prédits et les masques réels. Ce sont les évaluations des auteurs eux-mêmes, et la publication ne mentionne aucun test indépendant.
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.
Pour les développeurs et les chercheurs, le changement tient surtout à l'accès : les poids, le code et le rapport sont publics sous licence Apache 2.0, qui autorise la réutilisation. La publication cite comme expérimentations en périphérie la préhension robotisée (pick-and-place), les assistants embarqués dans les voitures et les assistants visuels sur téléphone, un modèle de 4 milliards de paramètres étant assez petit pour de tels appareils. Aucun de ces usages n'est présenté comme un produit, et aucune date n'est donnée. Charger le modèle exige le paquet Xiaomi-Lens fourni, et non une simple classe standard de Transformers.