基于Qwen3.5的4B多模态模型从自身视觉表征预测区域掩码。
推荐理由：模型用轻量解码器融合视觉补丁、视觉潜变量与掩码词元状态，让分割监督反向进入共享骨干；这把区域定位能力直接嵌入小参数多模态模型。
阅读原文