小米开源 4B 模型，边回答边指像素

问一个多模态模型「桌上哪个东西能装礼物」，它能答「两个盒子」。但它说不清是哪两个盒子，也说不出边界在哪。小米这次开源的模型，想补的就是这一句。

一、发生了什么

2026 年 10 月中下旬，小米的 SeerRay 实验室开源了 Xiaomi-Lens-0，一个 40 亿参数的多模态模型，权重放在 Hugging Face，代码在 GitHub，技术报告在 arXiv，许可证是 Apache 2.0，允许商用。

做法值得说清。它以 Qwen3.5-4B 为底座，加了一个轻量的像素掩码解码器。模型在生成文字时，可以输出一种特殊的掩码 token；这个 token 的视觉潜变量会被解码成图像上的一块分割掩码。因为一个潜变量对应一块区域，模型能在推理链条中间就指出来，而不是只在最终答案里给一句描述。

团队同时放出了 LensBench，一个分割评测集，以及一个演示页面。支持的任务包括指代理解与分割、多实例定位、推理分割、具身指代（比如「把那个递给我」）和细粒度视觉感知。

数字都来自团队自己的技术报告。在 RefCOCO、RefCOCO+、RefCOCOg 共八个指代理解划分上，比 Qwen3.5 底座平均高 5.6 分；CountQA 上高 6.8 分；在报告对比的模型里，分割 cIoU 最高。另有报道引述报告数据：八个指代分割划分平均 cIoU 81.4，ReasonSeg 的 gIoU 为 68.0。这些是官方自测，没有第三方复现。

两个限制要提前知道。第一，它不是即插即用：加载和解码掩码都依赖配套的 Xiaomi-Lens 代码包，用现成的 Transformers 类跑不起来。第二，报告没有给端侧延迟，也没有说明指代训练数据的规模。

二、跟你有什么关系

做机器人抓取的团队。 「指哪抓哪」比「描述这是什么」有用得多。4B 的量级可以塞进端侧试验，但先测你们自己场景的光照和遮挡。

做手机或车机助手的团队。 用户问「这个按钮在哪」，答案需要一个框或一块掩码，而不是一段话。这类交互是它最直接的去处。

做视觉标注和质检的团队。 分割掩码可以直接进标注流程，省掉一批人工描边；但边界精度要用你们自己的图测。

三、怎么用

1. 先确认底座。它建在 Qwen3.5-4B 上，你的推理栈如果已经支持这个底座，接入成本最低。
2. 装配套包，不要只用 Transformers。把 Xiaomi-Lens 的仓库加进依赖，掩码解码走它的接口。
3. 用 LensBench 跑一遍，再用你自己的 50 张图跑一遍。两个结果的差距，就是迁移成本。
4. 测中间指代。让它先指、再说，看指的区域和后面那句话是否一致——这是它相对普通多模态模型的差异点。
5. 商用前读许可证原文。Apache 2.0 对权重是宽松的，但底座本身的条款仍要单独确认。

四、三个别信的说法

「4B 就能替代分割模型」。 它输出的是掩码 token 解码出的区域，精度在基准集上成立；工业质检那种亚像素要求，还是要专用分割模型。

「跑分领先就是全面领先」。 5.6 分、6.8 分、81.4 都是团队自测、自选对比对象的结果。分割类基准对数据集质量极敏感，换一套图可能换一个排序。

「开源了就能直接商用落地」。 Apache 2.0 解决的是授权，解决不了工程。缺延迟数据、缺显存占用、缺长尾场景表现，这三样不做完，进不了产品。

五、一句话结论

这一步的价值不在参数规模，而在把「指得准」变成模型的一种输出格式——从此多模态模型的答案可以是图上的一个区域。

信息来源

• Xiaomi Open-Sources Xiaomi-Lens-0, a 4B Model That Points to Image Regions Pixel by Pixel - Pandaily，2026 年 10 月 21 日
• Xiaomi Opens Xiaomi-Lens-0, a 4B MLLM That Decodes Pixel Masks From Qwen3.5's Own Visual Features - AI Weekly，2026 年 10 月

功能与价格以官方公告为准。本文写于 2026 年 10 月 22 日。