北京
你有沒有遇到過這種情況——讓AI描述一張圖，它要么只說"這是一張風景照"，要么把"穿紅衣服的遛狗人" hallucinate 成"穿紅衣服的騎馬人"。
這就是密集圖像描述（Dense Image Captioning）要解決的問題。簡單說，它不像普通AI那樣敷衍一句整體描述，而是能像導游一樣，指著圖里的每個細節(jié)挨個講解："左下角有個咬了一口的蘋果""背景里有輛模糊的黃色出租車"。
但訓練這種模型特別燒錢。人工標注貴到離譜，用現(xiàn)有大模型合成數(shù)據(jù)又容易讓AI學會"套話"，換個場景就露餡。
蘋果和威斯康星大學搞了個叫 RubiCap 的新框架，玩法有點像選秀節(jié)目的評委機制：先用 GPT-5、Gemini 2.5 Pro 給5萬張圖寫一堆候選描述，再讓 Gemini 提煉出"好文案的標準"，最后派 Qwen2.5 當終審裁判打分。AI由此獲得結構化反饋，知道哪里該改、怎么改。
結果挺反常識。他們訓出的70億參數(shù)模型，在盲測里排名最高、"幻覺"最少，把720億參數(shù)的大模型甩在身后。更離譜的是30億參數(shù)的"輕量版"在部分測試里還反超了自家大哥——這說明圖像描述這事，參數(shù)堆料未必管用，訓練方法才是命門。
論文里有個細節(jié)挺有意思：研究團隊發(fā)現(xiàn)，當評分標準足夠清晰時，小模型反而比大模型更"聽話"，不會過度發(fā)揮編故事。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網(wǎng)易號”用戶上傳并發(fā)布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
