يسعى Xiaomi-Lens-0 إلى الدخول إلى نماذج Transformers الجاهزة — ومُفكِّك شفرة القناع الخاص به هو العقبة.

في الساعة 12:01 بالتوقيت العالمي المنسق اليوم، فُتح طلب سحب يحمل الرقم 50028 على huggingface/transformers بعنوان هو الأقل إثارة في المستودع: "Add Xiaomi-Lens-0". وهو ليس مجرد هيكل فارغ. يمتد الفرق إلى 19 ملفًا و4,251 سطرًا مضافًا، منها 2,199 سطرًا في ملف نمذجة واحد، إضافة إلى 552 سطرًا من الاختبارات وصفحة توثيق من 143 سطرًا. أما حالته فهي الجزء غير اللافت — مفتوح، غير مُراجَع، غير مدموج. والنموذج الذي يقف خلفه هو الجزء المثير للاهتمام، وقد ظل على Hugging Face ستة أيام دون أي منشور إطلاق مرتبط به. Xiaomi-Lens-0 هو نموذج متعدد الوسائط بحجم 4B مبني على Qwen3.5-4B ويكتب أقنعة المناطق كرموز، والعاقبة العملية محدودة النطاق لكنها حقيقية: إلى أن يُطرح تغيير مثل هذا، لا يمكنك تحميله على الإطلاق باستخدام فئة Transformers جاهزة.

تلك الفجوة — بين كون النموذج قابلاً للتنزيل وكونه نموذجاً عادياً — هي ما ستحدده الأسابيع القليلة المقبلة. كل ما يلي يفصل بين ما نشرته شاومي وما يقترحه طلب دمج (PR) لإطار عمل، لأن هذين مستويان مختلفان من اليقين، وقد خلطت التغطية حتى الآن بينهما.

ما الذي شحنته شاومي فعليًا، ومتى

حدث الإصدار على دفعات على مدى خمسة أيام، وهذا جزء من سبب ظهوره كإصدار بحثي لا كإطلاق منتج.

• ورقة — «Xiaomi-Lens-0 Technical Report»، arXiv:2610.23279، قُدّمت في 16 أكتوبر 2026، وتم تنقيحها في 19 أكتوبر.

• الأوزان والشفرة — متاحة للعموم في 21 أكتوبر عبر SeerRay-Lab/Xiaomi-Lens-0 على Hugging Face، مع مستودع استدلال مطابق على GitHub.

• الترخيص — Apache 2.0 على الأوزان، مع أوزان الأساس Qwen3.5-4B أيضًا Apache 2.0. وتنسب بطاقة النموذج الأساس إلى Alibaba Cloud والتعديلات إلى Xiaomi.

• الفريق — يُنسب إلى Xiaoai Plus وفريق SeerRay، وهو مجموعة الفهم البصري التابعة لـ Xiaomi.

• الحجم — 4B في كل مكان في العنوان والورقة ونص البطاقة؛ بينما تُبلِّغ بيانات Hugging Face الوصفية عن 5B معامل بصيغة BF16. ولا تشرح Xiaomi هذا التباين، والقراءة الصادقة هي أن «4B» تصف العمود الفقري اللغوي، في حين تأتي نقطة الحفظ الكاملة مع برج الرؤية بحجم أكبر.

• الاستضافة — يذكر الشريط الجانبي للبطاقة أن النموذج غير منشور من قِبل أي مزوّد استدلال. لا توجد واجهة برمجة تطبيقات تابعة لجهة أولى ولا نقطة نهاية مستضافة لاستدعائها.

• الزخم — 723 تنزيلًا خلال الشهر الأخير و25 إعجابًا على مستودع Hugging Face، بعد ستة أيام من رفع الأوزان.

ما لم أتمكّن من العثور عليه هو إطلاق: لا منشور مدوّنة من شاومي، ولا سلسلة منشورات من الفريق، ولا صفحة منتج. فالتغطية تعود إلى التقرير التقني وإلى مقالات الصحافة المتخصّصة بعد ظهور الأوزان. وهذا يهمّ كل من يحاول تحديد تاريخ النموذج — 16 أكتوبر هو تاريخ الورقة البحثية، و21 أكتوبر هو تاريخ الأثر المنشور، ولا يُعدّ أيٌّ منهما إعلانًا.

القناع ما هو إلا رمز، وليس نموذجًا ثانيًا

الطريقة المعتادة لاستخراج أقنعة البكسل من نموذج رؤية-لغة هي ربط مُجزِّئ به. تحصل على صناديق أو نقاط من الجانب اللغوي، وتسلّمها إلى شيء مثل مفكك ترميز على طراز SAM، وتدفع ثمن شبكة ثانية ومجموعة أوزان ثانية وتمريرة أمامية ثانية.

يتخطى Xiaomi-Lens-0 ذلك. يولّد النموذج رمزًا خاصًا <|mask|>، وتُستخدم الحالة المخفية لهذا الرمز — التي تسميها الورقة كامنًا بصريًا — كاستعلام مقابل شبكة الرقع الخاصة بمُرمِّز الرؤية. طبقة تحسين واحدة من Transformer، وإسقاط خطي، وحاصل ضرب نقطي مقابل كل رقعة، ثم خطوتا رفع عينات بالالتفاف المنقول، ودالة سيجمويد. تُؤخذ خصائص الرقع قبل الدمج المكاني، لذا تبقى الشبكة دقيقة التفصيل، وتُحسب مرة واحدة لكل صورة وتُعاد استخدامها بواسطة كل رمز قناع في الاستجابة.

التدريب على مرحلتين وغير مفاجئ بمجرد أن تصبح البنية واضحة. تُجمّد المرحلة الأولى العمود الفقري وتدرّب فقط مفكك ترميز الأقنعة على بيانات داخلية إضافة إلى Objects365 وLVIS وPACO وPhraseCut وعائلة RefCOCO. أما المرحلة الثانية فتُجري ضبطًا دقيقًا مشتركًا للعمود الفقري ومفكك الترميز باستخدام هدف التنبؤ بالرمز التالي القياسي وخسارة أقنعة تجمع بين BCE على مستوى البكسل وDice.

النتيجة التي تستحق الاهتمام ليست توفير المعاملات. بل إن الأقنعة يمكن أن تظهر داخل الاستدلال، وليس فقط في الإجابة النهائية. تدرّب شاومي على آثار استدلال مستندة إلى السياق حيث تشير سلسلة التفكير إلى مناطق وتُصدر الأقنعة أثناء تقدمها، ولهذا يمكن لنموذج بحجم 4B أن يجيب عن "أي هذين هو الذي ينبغي أن ألتقطه" بقناع مرتبط بالخطوة الوسيطة بدلاً من الجملة الأخيرة فقط.

جدول المعايير، عند قراءته على نحو صحيح

أرقام العنوان الرئيسية قوية وكلها تخص Xiaomi. لا يوجد إدخال في Artificial Analysis، ولا موضع في arena، ولا إعادة إنتاج من طرف ثالث حتى اليوم. تعامل مع ما يلي كادعاء من البائع مع ملحق مفصل بشكل غير معتاد، وليس كحقيقة مقيسة.

• التجزئة الإشارية — 81.4 متوسط cIoU عبر التقسيمات الثمانية لـ RefCOCO / RefCOCO+ / RefCOCOg، مقابل 78.6 لـ Qwen3-VL-Seg 4B. أما SAM 3، بمتوسط عبر التقسيمات الثمانية نفسها في جدول Xiaomi الخاص، فيبلغ نحو 71.7.

• فهم الإشارة — تحسّن بمقدار 5.6 نقطة في المتوسط في Prec@0.5 مقارنةً بالنموذج الأساسي Qwen3.5-4B، مع ارتفاع RefCOCO+ بمقدار 7.6 نقاط.

• الإرساء متعدد النسخ على COCO 2017 — متوسط F1 قدره 63.9، متقدّمًا على 63.0 لدى GroundingPI و46.5 لدى Qwen3-VL 4B.

• تجزئة الاستدلال — 68.0 gIoU في اختبار ReasonSeg، الأفضل بين النماذج المقارنة.

• الإحالة المُجسَّدة — 87.0 gIoU على RoboRefIt TestA.

• العدّ — 50.6 على CountQA، بزيادة 6.8 عن 43.8 للنموذج الأساسي.

اثنان منها يستحقان نظرة ثانية، لأن الملخصات المتداولة تُسطّحهما.

الأول هو الإرساء متعدد النسخ في COCO. يتفوق Xiaomi-Lens-0 على GroundingPI في متوسط F1، لكن عند العتبة المتساهلة IoU 0.50 يخسر فعليًا — 80.4 F1 مقابل 81.2. يأتي الفوز من الطرف الصارم: 27.4 F1 عند IoU 0.95 مقابل 22.8. هذا فرق جوهري في النوع. فالنموذج ينتج أقنعة أكثر إحكامًا، لا عددًا أكبر منها، وأي خط معالجة يتحقق فقط من التداخل المتساهل لن يرى التحسن.

الثاني هو LensBench، المعيار المكوّن من 1,200 وحدة و4,800 تعليمة الذي بنته Xiaomi وأصدرته إلى جانب النموذج. يغطي صورًا عامة وجوية وقيادة وبانورامية مع مراجعة بشرية، وهو الشيء الأكثر فائدة في الإصدار لأي شخص يعمل خارج RefCOCO. وهو أيضًا الاختبار الذي يبدو فيه النموذج أقل تميزًا. في الصور العامة، يتصدر Qwen3.8-Max بـ74.2 cIoU مقابل 63.9 لـXiaomi-Lens-0. وفي التعليمات الضمنية يحتل النموذج المركز الخامس، خلف Qwen3.8-Max وGPT-5.6-Sol وGemini-3.6-Flash وSeed-2.1-Pro. نشرت Xiaomi معيارًا لا يكتسحه نموذجها الخاص، وهذا يستحق أكثر مما كان سجل نظيف سيستحقه.

حيث يفشل نموذج 4B فعليًا

نمط الفشل ليس عشوائيًا. إنه الفجوة بين وصفٍ يسمّي الشيءَ صراحةً ووصفٍ يضمره ضمنًا.

• من الصريح إلى الضمني — تنخفض cIoU للقناع من 71.4 إلى 54.7، وPrec@0.5 للصندوق من 85.0 إلى 70.0 على LensBench.

• أهداف متعددة في المشاهد البانورامية — أسوأ شريحة في الورقة البحثية، حيث ينخفض box Prec@0.5 من 81.3 إلى 48.7 وcIoU من 71.8 إلى 48.9.

• المناطق الصغيرة والمحجوبة والغامضة — تنص البطاقة صراحةً على أن التنبؤات قد تخطئ في رصد بعض الكائنات أو تنتج صناديق وأقنعة غير دقيقة في هذه الحالات.

• العدّ — 50.6 على CountQA يمثّل تحسّنًا بمقدار 6.8 نقطة، ولا يزال أشبه برمية عملة، لكن بأدب أفضل.

هناك أيضًا تحذير ميكانيكي سيؤذي أي شخص يدمج هذا في منتج. تُفكّ الأقنعة على لوحة صورة المعالج، لا على ملفك الأصلي. إذا غيّرت الحجم قبل الاستدلال ونسيت عكس التعيين، فسيعود القناع بالشكل الصحيح وفي الموضع الخطأ. تقول البطاقة إنه يجب الحفاظ على تغيير الحجم وتعيين الإحداثيات؛ لكنها لا تذكر ما يحدث إذا لم تفعل، والجواب هو خطأ صامت يبدو معقولًا.

ما الذي يغيّره طلب السحب، وما الذي لا يغيّره

PR 50028 قيد التنفيذ منذ 23 أكتوبر — أربع commits، آخرها وصل قبل نحو دقيقة من فتح pull request. يضيف ملف إعدادات، وملفًا وحداتيًا، وملف نمذجة من 2,199 سطرًا، ومعالجًا، وسكربت لتحويل الأوزان، وتعيينات تلقائية للنموذج ومعالج الصور وtokenizer، وصفحة توثيق، و552 سطرًا من الاختبارات. طلب CI bot بالفعل مجموعة الاختبارات البطيئة الخاصة بـ xiaomi_lens0. لا توجد أي مراجعات.

إذا تم الدمج، تتغير ثلاثة أشياء. يصبح التحميل عبر AutoModel وAutoProcessor بدلاً من pip install -e . مقابل مستودع Xiaomi. ويُدرج النموذج في الوثائق التي يقرأها الناس فعلاً. ويصبح مؤهلاً لأدوات المنظومة — التكميم والمحولات وأطر التدريب — التي تفترض وجود فئة Transformers قبل أن تتعامل مع نقطة تحقق.

إذا تم الدمج، فهناك أربعة أمور لا تتغيّر. فلا يزال يحتاج إلى وحدة معالجة رسومات CUDA تدعم bfloat16 وFlashAttention-2. ولا يزال بلا نقطة نهاية مستضافة. ولا يزال فك ترميز الأقنعة يجري عبر المعالج بدلًا من استدعاء توليد عادي. وتبقى الأرقام تمامًا كما أبلغ عنها المورّد اليوم، لأن نقل إطار العمل حدث تعبئة، وليس تقييمًا.

من المفيد أيضًا أن نكون صريحين بشأن الحالة. طلب السحب المفتوح ليس ميزة. تجري عمليات الدمج في Transformers وفق وتيرتها الخاصة، ولم يبدِ المشرفون رأيهم بعد، وعمليات النقل بهذا الحجم تمر عادةً بعدة جولات قبل أن تُدمج. أي شخص يكتب "Xiaomi-Lens-0 now works in Transformers" اليوم سيكون مخطئًا بفارق عملية دمج واحدة.

ما يلزم لتشغيله هذا الأسبوع

المسار الرسمي هو حزمة Xiaomi الخاصة، وهو يفترض وجود جهاز حقيقي مزوّد بوحدة GPU.

• الإعداد — Python 3.10 أو أحدث، وCUDA مع bfloat16 وFlashAttention-2، ثم pip install -r requirements.txt وpip install -e . داخل مستودع الاستدلال.

• صورة واحدة — يأخذ infer.py نقطة تفتيش وصورة واستعلامًا نصيًا ومسار إخراج، ويكتب صورة معلّمة بالإضافة إلى النص المُولّد.

تنسيق الإخراج — تُطبَّع المربعات إلى نطاق 0–1000 داخل وسوم <bbox>، وتُصدَر الأقنعة كرموز <|mask|> داخل وسوم <mask>، ويُستبعَد أي شيء داخل كتلة تفكير من التراكب النهائي.

• الخدمة — دعم vLLM موجود، لكنه يعمل كخدمتين مستضافتين معًا: توليد النص على المنفذ 8000 وفك ترميز القناع على المنفذ 8001، مع وجود العميل على الجهاز نفسه لأنه يمرّر مسار صورة بدلاً من بايتات. إذا تجاوزت MAX_PIXELS، فتحتاج كلتا الخدمتين إلى القيمة نفسها.

يوجد مساران من المجتمع، وليس أيٌّ منهما تابعًا لـ Xiaomi. حزمة على PyPI تُسمى xiaomi-lens-mnn تعيد تنفيذ الاستدلال على MNN لوحدة CPU بدقة fp16 أو int8، من دون اعتماد على torch، وتُفيد حزمة عُقد ComfyUI غير رسمية بأن مخرجاتها مطابقة بتًا لمخرجات الشيفرة الرسمية. كلاهما إشارتان مفيدتان — ولا سيما نقل MNN، لأنه يشير إلى أن البنية بسيطة بما يكفي لإعادة تنفيذها بدلًا من الاكتفاء بتغليفها.

لا تنشر شاومي أي رقم عن VRAM، ولا أي قياس لزمن الاستجابة، ولا أي رقم للإنتاجية. بالنسبة إلى نموذج بحجم 4B، ليست الأوزان هي المشكلة؛ بل برج الرؤية عند الدقة العالية وتمريرة فك ترميز القناع، ولا تتوفر تكلفة منشورة لأي منهما. قِس أولًا قبل أن تحدد حجم أسطول بناءً على ذلك.

من الذي ينبغي أن يقوم بتحميله هذا الأسبوع

إذا كنت بحاجة إلى أقنعة دقيقة على مستوى البكسل من وصف باللغة الطبيعية وتتحكم في العتاد، فهذا واحد من أفضل خيارات 4B المتاحة بموجب ترخيص متساهل، والأوزان غير محجوبة. نتائج التعليمات الصريحة تنافس نماذج أكبر منها عدة مرات، والبنية تحذف شبكة ثانية كاملة من خط أنابيبك، وApache 2.0 يعني أن المراجعة القانونية قصيرة.

إذا كنت تحتاج اليوم إلى نقطة نهاية مستضافة للتجزئة، فهذا ليس ذلك. إن Xiaomi-Lens-0 ليس ضمن كتالوج OrcaRouter — نحن لا نقدّمه، ولا ينبغي قراءة أي شيء هنا على أنه يدّعي خلاف ذلك. ما نقدّمه فعلاً هو مجموعة المقارنة. إذا كان السؤال الحقيقي هو ما إذا كان نموذج مفتوح بحجم 4B يتفوق على نموذج رؤية مستضاف على صورك، فالطريقة الأمينة هي تشغيل Lens-0 محليًا واستدعاء الجانب المستضاف عبر مفتاح واحد. Qwen3-VL-8B-Instruct، على سبيل المثال، متاح بسعر 0.18 دولار لكل مليون رمز إدخال و0.70 دولار لكل مليون رمز إخراج، ويُمرَّر بسعر قائمة المزوّد دون أي هامش ربح، والمفتاح نفسه يصل إلى بقية الكتالوج إذا كنت تريد رأيًا ثانيًا أو تجاوزًا تلقائيًا للفشل عندما يتدهور أحد المزوّدين. تلك المقارنة على بياناتك تساوي أكثر من أي جدول في الورقة البحثية.

ما الذي قد يغيّر هذا التقييم؟

أربعة أشياء، بترتيب تقريبي حسب مدى أهميتها.

دمج PR 50028، لأنه يحوّل نتاجًا بحثيًا إلى شيء يمكن لبيئة Python عادية تحميله. تقييم مستقل على LensBench أو RefCOCO يُجريه شخص ليس من Xiaomi، لأن الأرقام الحالية لها مؤلف واحد، ولأن الشرائح الضعيفة في الورقة نفسها تشير إلى أن المتوسط يخفي تباينًا حقيقيًا. ومسار أقنعة أصلي في vLLM أو SGLang يختزل إعداد الخدمتين إلى نقطة نهاية واحدة، وهو الفرق بين عرض تجريبي ونشر فعلي. وعرض مُستضاف من أي جهة، من شأنه أن يجعل النموذج بندًا في الفاتورة بدلًا من مشروع.

حتى ذلك الحين، الوصف الصحيح دقيق: Xiaomi-Lens-0 نموذج حقيقي قابل للتنزيل بترخيص Apache-2.0 وبحجم 4B، ذو مقاربة غير معتادة وموثّقة جيدًا للتجزئة، عمره ستة أيام، مع أرقام قوية من الجهة المصنّعة، ومعيار منشور لا يجمّله، ونقل لإطار عمل مقترح لا مُشحَن. وهذا أمر أكثر فائدةً معرفته من أيٍّ من «أطلقت Xiaomi للتو قاتل Segment Anything» أو «لا شيء يستحق النظر حتى يُدمج».