这篇的想法说白了就是：让多模态模型自己画分割 mask，直接用它自己 ViT 的 patch 特征来画，不外挂 SAM 那类分割编码器，这样 mask 的 loss 能一路传回主干，顺带把看细节的能力练上去。模型叫 Xiaomi-Lens-0，4B，基于 Qwen3.5。

摘要里那句“所有感知 benchmark 都超过 Qwen3.5”看着挺唬人，翻到消融表我才把账算明白。他们做了个 BBox-only 版本，Stage 2 数据一样，只把 mask loss 关掉。结果这个只学框的版本已经把 MME-RealWorld 中文从 60.3 拉到 66.1，CV-Bench 从 85.4 拉到 87.9。再加上 mask loss，分别是 67.5 和 88.1。

也就是说感知上涨的大头来自 grounding 数据和框监督，mask 自己贡献 0.2 到 1.4 个点。CV-Bench 那 0.2，我不太敢算成 mask 的功劳。

REC 这边 mask 的作用倒清楚些。RefCOCO+ 上比 BBox-only 多 2.4，RefCOCO 只多 1.1。RefCOCO+ 不让用“左边那个”这类位置词，只能靠外观和轮廓把目标从旁边几个里分出来，框给的信息确实粗，这个解释我买账。

mask 监督我信它有用，只是有用的范围比摘要写的窄不少，主要落在要靠形状分开邻居的那类题上。

#人工智能 #多模态 #大模型 #论文