As duas versões estão alinhadas bloco a bloco, pela ordem do texto: título, o essencial e depois parágrafo a parágrafo. Quando a tradução fundiu ou dividiu um parágrafo, a casa correspondente fica vazia — nunca aproximamos duas passagens a olho.
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.
O Xiaomi-Lens-0 consegue responder a uma pergunta sobre uma imagem e, no mesmo fôlego, delinear a área exata da imagem de que está a falar. A versão, publicada a 21 de outubro de 2026, provém do SeerRay-Lab, o Grupo de Compreensão Visual integrado na equipa de aplicações de grandes modelos de linguagem da Xiaomi. A ficha do modelo e o relatório atribuem a autoria à Xiaomi Corporation, pelo que se trata de uma publicação de investigação da própria Xiaomi, e não de uma cópia de terceiros.
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.
O modelo assenta no Qwen3.5-4B e acrescenta um descodificador leve de máscaras de pixels. Quando emite um token especial de máscara, o descodificador transforma a representação visual desse token numa máscara de segmentação sobre a imagem. Como cada representação corresponde a uma região, o modelo pode intercalar texto corrente com indicadores de regiões durante o raciocínio passo a passo, e não apenas na resposta final. A equipa lançou também o LensBench, um benchmark de segmentação, e uma demonstração.
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.
O relatório técnico atribui ao modelo um ganho médio de 5,6 pontos face ao Qwen3.5 base na compreensão por referência, ou seja, na tarefa de encontrar o objeto descrito por uma frase, em oito divisões dos testes RefCOCO, RefCOCO+ e RefCOCOg. Refere também um ganho de 6,8 pontos no CountQA e afirma que o modelo lidera os sistemas que enumera na segmentação, medida pelo cIoU, que indica quão próximas estão as máscaras previstas das verdadeiras. Estas são avaliações feitas pelos próprios autores, e a versão não menciona nenhum teste independente.
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 programadores e investigadores, a novidade é o acesso: os pesos, o código e o relatório são públicos sob a licença Apache 2.0, que permite a reutilização. A versão cita experiências de robótica de recolha e colocação de objetos, assistentes de bordo e assistentes visuais de telemóvel, orientadas para dispositivos locais, uma vez que um modelo de 4 mil milhões de parâmetros é suficientemente pequeno para tais equipamentos. Nenhuma destas utilizações é apresentada como produto, e não é indicada qualquer data. Para carregar o modelo é necessário o pacote Xiaomi-Lens que o acompanha, não bastando uma classe padrão do Transformers.