Xiaomi-Lens-0 อยากก้าวเข้าสู่กลุ่มทรานส์ฟอร์เมอร์สำเร็จรูป — และ Mask Decoder ของมันคือจุดที่ต้องจับตา

เมื่อเวลา 12:01 UTC วันนี้ มี pull request หมายเลข 50028 ถูกเปิดขึ้นในhuggingface/transformersด้วยชื่อที่ดูไม่ดราม่าเอาเสียเลยที่สุดในรีโพซิทอรี: "Add Xiaomi-Lens-0" มันไม่ใช่แค่โครงร่างเปล่า ๆ diff กินไปถึง 19 ไฟล์ และ 4,251 บรรทัดที่เพิ่มเข้ามา โดย 2,199 บรรทัดอยู่ในไฟล์ modeling ไฟล์เดียว บวกกับเทสต์อีก 552 บรรทัด และหน้าเอกสารอีก 143 บรรทัด สถานะของมันคือส่วนที่ไม่น่าตื่นเต้น — เปิดอยู่ ยังไม่ถูกตรวจทาน ยังไม่ถูก merge ส่วนที่น่าสนใจคือโมเดลที่อยู่เบื้องหลัง และมันนอนอยู่บน Hugging Face มาหกวันแล้วโดยไม่มีโพสต์เปิดตัวติดมาด้วย Xiaomi-Lens-0เป็นโมเดลมัลติโมดัลขนาด 4B ที่สร้างบนQwen3.5-4Bซึ่งเขียน region mask ออกมาเป็นโทเคน และผลที่ตามมาในทางปฏิบัติแม้จะแคบแต่ก็เป็นเรื่องจริง: จนกว่าการเปลี่ยนแปลงแบบนี้จะถูกปล่อยออกมา คุณจะไม่สามารถโหลดมันด้วยคลาส Transformers มาตรฐานได้เลย

ช่องว่างนั้น — ระหว่างการที่โมเดลหนึ่งดาวน์โหลดได้ กับการที่โมเดลหนึ่งกลายเป็นเรื่องธรรมดา — คือสิ่งที่สัปดาห์ต่อๆ ไปจะตัดสิน ทุกสิ่งด้านล่างนี้แยกสิ่งที่ Xiaomi เผยแพร่ออกจากสิ่งที่ PR ของเฟรมเวิร์กเสนอ เพราะสิ่งเหล่านั้นเป็นระดับความแน่นอนที่ต่างกันสองระดับ และการรายงานที่ผ่านมารวมทั้งสองอย่างเข้าด้วยกัน

สิ่งที่ Xiaomi ส่งมอบออกมาจริง และส่งเมื่อไหร่

การเปิดตัวเกิดขึ้นแบบทยอยเป็นส่วนๆ ตลอดห้าวัน ซึ่งส่วนหนึ่งเป็นเหตุผลที่ทำให้สิ่งนี้ถูกมองว่าเป็นการเผยแพร่งานวิจัยมากกว่าการเปิดตัวผลิตภัณฑ์

• บทความ — “Xiaomi-Lens-0 Technical Report”, arXiv:2610.23279, ส่งเมื่อวันที่ 16 ตุลาคม 2026, แก้ไขเมื่อวันที่ 19 ตุลาคม

• น้ำหนักโมเดลและโค้ด — เปิดเผยต่อสาธารณะในวันที่ 21 ตุลาคม ที่ SeerRay-Lab/Xiaomi-Lens-0 บน Hugging Face พร้อมรีโพซิทอรีสำหรับการอนุมานที่สอดคล้องกันบน GitHub

• สัญญาอนุญาต — Apache 2.0 สำหรับน้ำหนักโมเดล โดยน้ำหนักฐาน Qwen3.5-4B ก็เป็น Apache 2.0 เช่นกัน การ์ดโมเดลระบุว่าโมเดลฐานเป็นของ Alibaba Cloud และการดัดแปลงเป็นของ Xiaomi

• ทีม — ได้รับเครดิตในนาม Xiaoai Plus และทีม SeerRay ซึ่งเป็นกลุ่มด้านความเข้าใจภาพของ Xiaomi

• ขนาด — ระบุ 4B ทุกจุดในชื่อเรื่อง บทความ และคำอธิบายบนการ์ดโมเดล; เมทาดาทาบน Hugging Face รายงานว่ามีพารามิเตอร์ 5B ในรูปแบบ BF16 Xiaomi ไม่ได้อธิบายความคลาดเคลื่อนนี้ และการตีความอย่างตรงไปตรงมาคือ "4B" อธิบายถึงแกนหลักทางภาษา ขณะที่เช็กพอยต์แบบเต็มซึ่งมีวิชันทาวเวอร์รวมอยู่ด้วยนั้นมีขนาดสูงกว่า

• การโฮสต์ — แถบด้านข้างของการ์ดระบุว่าโมเดลนี้ไม่ได้ถูกติดตั้งใช้งานโดยผู้ให้บริการ inference รายใดเลย ไม่มี API ของเจ้าของโมเดลเอง และไม่มีปลายทางที่โฮสต์ไว้ให้เรียกใช้

• แรงดึงดูดความสนใจ — มียอดดาวน์โหลด 723 ครั้งในเดือนที่ผ่านมา และมีไลก์ 25 ครั้งบนที่เก็บ Hugging Face หกวันหลังจากที่น้ำหนักโมเดลถูกเผยแพร่ขึ้นไป

สิ่งที่ผมหาไม่เจอคือการเปิดตัว: ไม่มีโพสต์บล็อกของ Xiaomi ไม่มีกระทู้จากทีม ไม่มีหน้าสินค้า ความครอบคลุมย้อนกลับไปที่รายงานทางเทคนิคและบทความในสื่อสายเทรดหลังน้ำหนักโมเดลปรากฏออกมา เรื่องนี้สำคัญสำหรับใครก็ตามที่พยายามระบุวันที่ของโมเดล — 16 ตุลาคมคือรายงาน 21 ตุลาคมคืออาร์ติแฟกต์ และทั้งสองอย่างไม่ใช่การประกาศ

มาสก์คือโทเค็น ไม่ใช่โมเดลที่สอง

วิธีทั่วไปในการดึง pixel mask ออกจากโมเดล vision-language คือการต่อ segmenter เข้าไปพ่วงกับโมเดล คุณจะได้กล่องหรือจุดจากฝั่งภาษา ส่งต่อให้ตัวถอดรหัสสไตล์ SAM แล้วต้องแลกมาด้วยเครือข่ายที่สอง ชุดน้ำหนักที่สอง และ forward pass ที่สอง

Xiaomi-Lens-0 ข้ามขั้นตอนนั้นไป โมเดลสร้างโทเค็น <|mask|> พิเศษ และ hidden state ของโทเค็นนั้น — สิ่งที่บทความเรียกว่า visual latent — ถูกใช้เป็น query เทียบกับ patch grid ของ vision encoder มีชั้นปรับละเอียด Transformer เพียงชั้นเดียว การฉายเชิงเส้น ดอตโปรดักต์กับแต่ละแพตช์ จากนั้นเป็นขั้นตอนอัปแซมปลิงด้วย transposed convolution สองขั้นและซิกมอยด์ คุณลักษณะของแพตช์ถูกดึงมาก่อน spatial merger ดังนั้นกริดจึงยังคงมีความละเอียดสูง และคุณลักษณะเหล่านี้ถูกคำนวณครั้งเดียวต่อภาพแล้วนำกลับมาใช้ซ้ำโดยทุกโทเค็นมาสก์ในคำตอบ

การฝึกมีสองขั้นตอนและไม่น่าประหลาดใจเมื่อสถาปัตยกรรมชัดเจน ขั้นตอนแรกจะตรึง backbone และฝึกเฉพาะ mask decoder ด้วยข้อมูลภายในองค์กร ร่วมกับ Objects365, LVIS, PACO, PhraseCut และตระกูล RefCOCO ขั้นตอนที่สองจะ fine-tune backbone และ decoder ร่วมกันด้วย objective แบบ next-token มาตรฐาน บวกกับ mask loss ที่รวม pixel BCE และ Dice

ผลลัพธ์ที่ควรใส่ใจไม่ใช่การประหยัดพารามิเตอร์ แต่คือการที่มาสก์สามารถปรากฏภายในกระบวนการให้เหตุผล ไม่ใช่แค่ในคำตอบสุดท้าย Xiaomi ฝึกบนร่องรอยการให้เหตุผลที่ยึดโยงกับบริเวณจริง โดยที่ลูกโซ่ความคิดอ้างอิงถึงบริเวณต่าง ๆ และปล่อยมาสก์ออกมาในขณะที่ดำเนินไป นี่คือเหตุผลที่โมเดล 4B สามารถตอบคำถามว่า “ในสองสิ่งนี้ สิ่งไหนคือสิ่งที่ฉันควรหยิบ” โดยมีมาสก์แนบอยู่กับขั้นตอนกลาง ไม่ใช่เฉพาะประโยคสุดท้าย

ตาราง benchmark เมื่ออ่านอย่างถูกต้อง

ตัวเลขพาดหัวนั้นแข็งแกร่ง และทั้งหมดเป็นของ Xiaomi ณ วันนี้ยังไม่มีรายการใน Artificial Analysis ไม่มีการจัดอันดับใน arena และไม่มีการทำซ้ำโดยบุคคลที่สาม โปรดถือว่าสิ่งต่อไปนี้เป็นคำกล่าวอ้างของผู้ผลิตที่มาพร้อมภาคผนวกที่มีรายละเอียดผิดปกติ ไม่ใช่ข้อเท็จจริงที่วัดได้

• การแบ่งส่วนตามการอ้างอิง — ค่าเฉลี่ย cIoU 81.4 จากแปดสปลิตของ RefCOCO / RefCOCO+ / RefCOCOg เทียบกับ 78.6 สำหรับ Qwen3-VL-Seg 4B ส่วน SAM 3 เมื่อเฉลี่ยจากแปดสปลิตเดียวกันในตารางของ Xiaomi เองได้ประมาณ 71.7

• ความเข้าใจการอ้างอิง — เพิ่มขึ้นเฉลี่ย 5.6 จุดใน Prec@0.5 เมื่อเทียบกับ backbone Qwen3.5-4B โดย RefCOCO+ เพิ่มขึ้น 7.6 จุด

• {{1}}การกราวด์หลายอินสแตนซ์บน COCO 2017{{/1}} — ค่าเฉลี่ย F1 63.9 นำหน้า {{2}}GroundingPI ที่ 63.0 และ Qwen3-VL 4B ที่ 46.5{{/2}}

• การแบ่งส่วนเชิงเหตุผล — 68.0 gIoU บน ReasonSeg Test ดีที่สุดในบรรดาโมเดลที่เปรียบเทียบ

• Embodied referring — 87.0 gIoU บน RoboRefIt TestA

• การนับ — 50.6 บน CountQA เพิ่มขึ้น 6.8 จาก 43.8 ของโมเดลหลัก

สองข้อในนั้นสมควรค่าแก่การพิจารณาอีกครั้ง เพราะบทสรุปที่แพร่สะพัดกันอยู่ทำให้สาระสำคัญของทั้งสองเรื่องแบนราบจนเกินจริง

รายการแรกคือ COCO multi-instance grounding Xiaomi-Lens-0 เอาชนะ GroundingPI ในค่าเฉลี่ย F1 แต่ที่เกณฑ์ IoU 0.50 แบบหลวม ๆ กลับแพ้จริง ๆ — F1 80.4 เทียบกับ 81.2 ชัยชนะมาจากช่วงที่เข้มงวด: F1 27.4 ที่ IoU 0.95 เทียบกับ 22.8 นั่นเป็นความแตกต่างที่มีนัยสำคัญในเชิงประเภท โมเดลกำลังสร้างมาสก์ที่กระชับขึ้น ไม่ใช่สร้างให้มีจำนวนมากขึ้น และไปป์ไลน์ที่ตรวจสอบเพียงการทับซ้อนแบบหลวม ๆ จะไม่เห็นการปรับปรุงนี้

ตัวที่สองคือ LensBench ซึ่งเป็น benchmark ขนาด 1,200 หน่วยและ 4,800 คำสั่ง ที่ Xiaomi สร้างขึ้นและเปิดตัวพร้อมกับโมเดลนี้ ครอบคลุมภาพทั่วไป ภาพทางอากาศ ภาพการขับขี่ และภาพพาโนรามา พร้อมการตรวจทานโดยมนุษย์ และเป็นสิ่งที่มีประโยชน์ที่สุดในรีลีสนี้สำหรับใครก็ตามที่ทำงานนอกเหนือจาก RefCOCO นอกจากนี้ยังเป็นการทดสอบที่โมเดลดูไม่โดดเด่นที่สุดด้วย บนภาพทั่วไป Qwen3.8-Max นำด้วย 74.2 cIoU เทียบกับ 63.9 ของ Xiaomi-Lens-0 ในคำสั่งแบบโดยนัย โมเดลอยู่ในอันดับที่ห้า ตามหลัง Qwen3.8-Max, GPT-5.6-Sol, Gemini-3.6-Flash และ Seed-2.1-Pro Xiaomi เผยแพร่ benchmark ที่โมเดลของตัวเองไม่ได้กวาดชัยทั้งหมด ซึ่งมีค่ามากกว่าผลลัพธ์ที่สะอาดไร้ที่ติเสียอีก

จุดที่โมเดล 4B ล้มเหลวจริง ๆ

รูปแบบความล้มเหลวไม่ได้เกิดขึ้นแบบสุ่ม แต่เป็นช่องว่างระหว่างคำอธิบายที่ระบุชื่อสิ่งนั้นโดยตรงกับคำอธิบายที่สื่อถึงสิ่งนั้นเพียงเป็นนัย

• จากแบบชัดเจนเป็นแบบโดยนัย — cIoU ของมาสก์ลดลงจาก 71.4 เหลือ 54.7 และ Prec@0.5 ของกล่องลดลงจาก 85.0 เหลือ 70.0 บน LensBench

• เป้าหมายหลายรายการในฉากพาโนรามา — สไลซ์ที่แย่ที่สุดในบทความ โดยที่ box Prec@0.5 ลดลงจาก 81.3 เหลือ 48.7 และ cIoU จาก 71.8 เหลือ 48.9

• พื้นที่ขนาดเล็กที่ถูกบดบังและคลุมเครือ — การ์ดระบุไว้อย่างชัดเจนว่าการคาดการณ์อาจพลาดวัตถุหรือสร้างกล่องและมาสก์ที่ไม่แม่นยำในกรณีเหล่านี้

• การนับ — 50.6 บน CountQA เป็นการปรับปรุงขึ้น 6.8 จุด และยังคงเป็นการเดาสุ่มพอ ๆ กับการโยนเหรียญ แต่มีมารยาทดีกว่า

ยังมีข้อแม้เชิงกลไกที่จะกัดใครก็ตามที่นำสิ่งนี้ไปต่อยอดในผลิตภัณฑ์ มาสก์ถูกถอดรหัสบนแคนวาสภาพของโปรเซสเซอร์ ไม่ใช่บนไฟล์ต้นฉบับของคุณ หากคุณปรับขนาดก่อนการอนุมานและลืมกลับการแมป มาสก์จะกลับมามีรูปร่างถูกต้องแต่ผิดตำแหน่ง การ์ดระบุให้คงการปรับขนาดและการแมปพิกัดไว้ แต่ไม่ได้บอกว่าเกิดอะไรขึ้นหากคุณไม่ทำ และคำตอบคือข้อผิดพลาดที่เงียบและดูน่าเชื่อถือ

สิ่งที่ pull request เปลี่ยนแปลง และสิ่งที่ไม่ได้เปลี่ยนแปลง

PR 50028 อยู่ในระหว่างดำเนินการตั้งแต่ 23 ตุลาคม — มีสี่คอมมิต โดยคอมมิตสุดท้ายเข้ามาประมาณหนึ่งนาทีก่อนเปิด pull request โดยเพิ่มไฟล์กำหนดค่า ไฟล์แบบโมดูลาร์ ไฟล์โมเดลลิ่ง 2,199 บรรทัด โปรเซสเซอร์ สคริปต์แปลงน้ำหนัก auto-mappings สำหรับโมเดล ตัวประมวลผลภาพ และ tokenizer หน้าเอกสาร และเทสต์ 552 บรรทัด บอต CI ได้ขอชุดทดสอบ slow สำหรับ xiaomi_lens0 แล้ว ยังไม่มีรีวิวเลย

หากมันถูก merge จะมีสามสิ่งที่เปลี่ยนไป การโหลดจะกลายเป็น AutoModel และ AutoProcessor แทนที่จะเป็น pip install -e . จากรีโพซิทอรีของ Xiaomi โมเดลจะไปอยู่ในเอกสารที่ผู้คนอ่านกันจริง ๆ และมันจะพร้อมใช้กับเครื่องมือในอีโคซิสเต็ม — quantisation, adapters, เฟรมเวิร์กสำหรับการเทรน — ที่ถือว่าต้องมีคลาส Transformers อยู่ก่อนจึงจะแตะ checkpoint

หากถูก merge สี่สิ่งนี้จะไม่เปลี่ยนแปลง ยังต้องใช้ CUDA GPU ที่รองรับ bfloat16 และ FlashAttention-2 ยังไม่มี hosted endpoint ให้ใช้งาน การถอดรหัสมาสก์ยังคงทำงานผ่าน processor แทนที่จะเป็นการเรียก generation แบบปกติ และตัวเลขยังคงตรงกับที่ผู้ขายรายงานทุกประการเช่นเดียวกับในปัจจุบัน เพราะการพอร์ตเฟรมเวิร์กเป็นเรื่องของการแพ็กเกจ ไม่ใช่การประเมิน

ก็ควรพูดตรง ๆ เรื่องสถานะด้วย PR ที่เปิดอยู่ไม่ใช่ฟีเจอร์ที่เสร็จแล้ว Transformers รวมโค้ดตามจังหวะของตัวเอง ผู้ดูแลยังไม่ได้แสดงความเห็น และการพอร์ตขนาดนี้มักต้องผ่านหลายรอบก่อนจะลงจริง ใครก็ตามที่เขียนวันนี้ว่า "Xiaomi-Lens-0 ใช้งานได้แล้วใน Transformers" จะผิดไปหนึ่ง merge

สิ่งที่ต้องใช้ในการดำเนินการเรื่องนี้ในสัปดาห์นี้

เส้นทางอย่างเป็นทางการคือแพ็กเกจของ Xiaomi เอง และถือว่าต้องมีเครื่อง GPU จริง

• การตั้งค่า — Python 3.10 หรือใหม่กว่า, CUDA ที่รองรับ bfloat16 และ FlashAttention-2 จากนั้นรัน pip install -r requirements.txt และ pip install -e . ภายใน repository สำหรับ inference

• รูปภาพเดียว — infer.py รับ checkpoint, รูปภาพ, คำค้นหาแบบข้อความ และพาธเอาต์พุต แล้วเขียนรูปภาพที่กำกับคำอธิบายประกอบพร้อมข้อความที่สร้างขึ้น

รูปแบบเอาต์พุต — กล่องจะถูกทำให้เป็นมาตรฐานให้อยู่ในช่วง 0–1000 ภายในแท็ก <bbox> มาสก์จะถูกส่งออกเป็นโทเค็น <|mask|> ภายในแท็ก <mask> และเนื้อหาใด ๆ ภายในบล็อก thinking จะถูกตัดออกจาก overlay สุดท้าย

• การให้บริการ — มีการรองรับ vLLM อยู่ แต่ทำงานเป็นสองเซอร์วิสที่อยู่ร่วมกัน โดยการสร้างข้อความทำงานบนพอร์ต 8000 และการถอดรหัสมาสก์ทำงานบนพอร์ต 8001 โดยไคลเอนต์ต้องอยู่บนเครื่องเดียวกัน เพราะมันส่งพาธของรูปภาพแทนที่จะส่งเป็นไบต์ หากคุณกำหนดค่า MAX_PIXELS ทับ ทั้งสองเซอร์วิสจำเป็นต้องใช้ค่าเดียวกัน

มีเส้นทางจากคอมมูนิตี้อยู่สองทาง และไม่มีเส้นทางใดเป็นของ Xiaomi แพ็กเกจ PyPI ชื่อ {{1}}xiaomi-lens-mnn{{/1}} นำการอนุมานบน MNN สำหรับ CPU ที่ fp16 หรือ int8 กลับมาทำใหม่ โดยไม่ต้องพึ่ง torch และชุดโหนด {{2}}ComfyUI{{/2}} ที่ไม่เป็นทางการรายงานว่าผลลัพธ์ตรงกันทุกบิตกับโค้ดทางการ ทั้งสองอย่างเป็นสัญญาณที่มีประโยชน์ — โดยเฉพาะการพอร์ตไปยัง MNN เพราะบ่งชี้ว่าสถาปัตยกรรมนั้นเรียบง่ายพอที่จะนำมาทำใหม่ได้ ไม่ใช่เพียงห่อหุ้มเท่านั้น

Xiaomi ไม่ได้เปิดเผยตัวเลข VRAM ไม่มีการวัด latency และไม่มีตัวเลข throughput สำหรับโมเดล 4B นั้น weights ไม่ใช่ปัญหา แต่ vision tower ที่ความละเอียดสูงและขั้นตอนการถอดรหัสมาสก์คือปัญหา และทั้งสองอย่างไม่มีข้อมูลต้นทุนที่เปิดเผย วัดผลก่อนที่คุณจะกำหนดขนาดฟลีตโดยอิงกับมัน

ใครควรดาวน์โหลดมันในสัปดาห์นี้

หากคุณต้องการมาสก์ที่แม่นยำระดับพิกเซลจากคำอธิบายภาษาธรรมชาติ และคุณควบคุมฮาร์ดแวร์ได้ นี่คือหนึ่งในตัวเลือก 4B ที่ดีกว่าที่มีอยู่ภายใต้สัญญาอนุญาตแบบเปิดกว้าง และน้ำหนักโมเดลก็ไม่ถูกจำกัดการเข้าถึง ตัวเลขสำหรับคำสั่งแบบชัดเจนนั้นเทียบได้กับโมเดลที่มีขนาดใหญ่กว่าหลายเท่า สถาปัตยกรรมตัดเครือข่ายที่สองออกจากไปป์ไลน์ของคุณทั้งหมด และ Apache 2.0 หมายความว่าการตรวจสอบทางกฎหมายใช้เวลาสั้น

หากคุณต้องการปลายทางสำหรับการแบ่งส่วนภาพแบบโฮสต์ในวันนี้ สิ่งนี้ไม่ใช่สิ่งนั้น Xiaomi-Lens-0 ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter — เราไม่ได้ให้บริการมัน และไม่มีสิ่งใดที่นี่ควรถูกตีความว่าเป็นการอ้างเช่นนั้น สิ่งที่เราให้บริการคือชุดสำหรับการเปรียบเทียบ หากคำถามจริงคือว่าโมเดลเปิดแบบ 4B ชนะโมเดลวิชันแบบโฮสต์บนภาพของคุณหรือไม่ วิธีที่ซื่อตรงคือรัน Lens-0 ในเครื่องและเรียกฝั่งโฮสต์ผ่านคีย์เดียว Qwen3-VL-8B-Instruct ตัวอย่างเช่น มีให้ใช้งานในราคา $0.18 ต่อหนึ่งล้านโทเค็นอินพุต และ $0.70 ต่อหนึ่งล้านโทเค็นเอาต์พุต โดยส่งผ่านในราคาตามรายการของผู้ให้บริการโดยไม่มีการบวกเพิ่ม และคีย์เดียวกันนี้เข้าถึงส่วนที่เหลือของแคตตาล็อก หากคุณต้องการความเห็นที่สองหรือการสลับเมื่อขัดข้องอัตโนมัติเมื่อผู้ให้บริการรายหนึ่งเสื่อมประสิทธิภาพ การเปรียบเทียบนั้นบนข้อมูลของคุณมีค่ามากกว่าตารางใด ๆ ในบทความ

อะไรจะทำให้การประเมินนี้เปลี่ยนไป

สี่สิ่ง เรียงตามลำดับคร่าวๆ ว่ามันจะมีความสำคัญมากน้อยแค่ไหน

การ merge PR 50028 เพราะมันเปลี่ยนงานวิจัยต้นแบบให้เป็นสิ่งที่สภาพแวดล้อม Python ทั่วไปสามารถโหลดได้ การประเมินอย่างอิสระบน LensBench หรือ RefCOCO โดยผู้ที่ไม่ใช่ Xiaomi เพราะตัวเลขปัจจุบันมีผู้เขียนเพียงคนเดียว และส่วนที่อ่อนของตัวบทความเองบ่งชี้ว่าค่าเฉลี่ยได้กลบความแปรปรวนที่แท้จริงไว้ เส้นทาง mask แบบเนทีฟใน vLLM หรือ SGLang ที่รวมการตั้งค่าแบบสองบริการให้เหลือ endpoint เดียว ซึ่งเป็นความแตกต่างระหว่างเดโมกับการนำไปใช้งานจริง และข้อเสนอแบบโฮสต์จากใครก็ได้ ซึ่งจะทำให้โมเดลเป็นเพียงรายการหนึ่งแทนที่จะเป็นโครงการ

จนถึงตอนนั้น คำอธิบายที่ถูกต้องและแม่นยำคือ: Xiaomi-Lens-0 เป็นโมเดล 4B ที่มีอยู่จริง ดาวน์โหลดได้ ภายใต้ Apache-2.0 พร้อมแนวทางด้าน segmentation ที่ไม่ธรรมดาและมีเอกสารอธิบายไว้ครบถ้วน เปิดตัวมาหกวัน มีตัวเลขจากผู้ขายที่แข็งแกร่ง มีเบนช์มาร์กที่เผยแพร่ซึ่งไม่ได้ทำให้มันดูดีเกินจริง และมีพอร์ตเฟรมเวิร์กที่ถูกเสนอไว้เท่านั้น ยังไม่ได้ปล่อยออกมาจริง การรู้แบบนี้มีประโยชน์กว่าทั้ง "Xiaomi เพิ่งปล่อยตัวฆ่า Segment Anything" หรือ "ไม่มีอะไรน่าดูจนกว่าจะรวมเข้าได้"