研究人员发布了Xiaomi-Lens-0,这是一个基于Qwen3.5架构构建的拥有40亿参数的多模态大语言模型(MLLM)。该模型旨在通过直接从视觉表示中预测掩码来改进图像的细粒度区域理解,这是纯文本监督模型所缺乏的能力。Xiaomi-Lens-0集成了轻量级解码器,并结合了语言模型的视觉潜在表示和掩码-token状态,使其能够将推理与区域特定的掩码交织在一起。该模型展示了显著的改进,在多个数据集的指代理解方面平均提高了5.6个点,并在各种感知基准测试中超越了Qwen3.5。 AI
影响 增强了LLM的细粒度图像理解能力,有望改进需要详细视觉分析的应用。
排序理由 详细介绍新型多模态大语言模型架构及其在指代理解任务上性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →