做圖像描述的AI，以前像個只會寫總評的語文老師——"畫面溫馨，構(gòu)圖合理"，完了。密集圖像描述（Dense Image Captioning）則要求它變成批卷子的，得指出"第三行左邊那個紅蘋果有點蔫""遠處穿藍衣服的人正在掏口袋"。這種細活兒，訓練起來極其燒錢。

蘋果和威斯康星大學麥迪遜分校最近放了個新框架 RubiCap，思路有點像讓AI自己辦選秀。系統(tǒng)先從圖庫里撈出5萬張圖，扔給GPT-5、Gemini 2.5 Pro這些頂流寫初稿；再讓Gemini 2.5 Pro當評委組長，從一堆答案里提煉共識、找出漏網(wǎng)之魚，整理成打分細則；最后請Qwen2.5上場當執(zhí)行評委，按細則給每條描述亮分。

這個"評委團"機制的好處在于，模型收到的不是簡單的對錯，而是一份帶批注的修改意見——相當于告訴你"這里漏了物體的位置關(guān)系，扣兩分"，而不是只給總分。

基于這套流程，蘋果訓出了20億、30億、70億參數(shù)三個版本。測試結(jié)果有點反常識：70億參數(shù)的RubiCap在盲測里排名第一，幻覺率還最低，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"在部分項目里反超了自家大哥。

這說明一件事：圖像描述這件事，堆參數(shù)不如堆訓練質(zhì)量。就像同樣食材，有人做出黑暗料理，有人能上米其林——差距在菜譜，不在廚房大小。

目前RubiCap的論文和代碼已公開，做視覺語言模型或無障礙工具的團隊可以拿去試試。有開發(fā)者反饋，用這套框架微調(diào)后，模型對"圖中文字是否可閱讀"這類細節(jié)的判斷明顯準了不少——而這類反饋，恰恰是傳統(tǒng)訓練方法最容易漏掉的。