近日，苹果研究人员开发出一种训练图像描述生成AI模型的新方法，新模型能给出更精准详细的描述，且模型规模远小于现有同类模型。
在一项名为《RubiCap：Rubric-Guided强化学习用于密集图像描述生成》的新研究中，苹果研究团队与威斯康星大学麦迪逊分校合作，构建了一个密集图像描述生成模型的新框架，在多个基准测试中取得了领先成果。密集图像描述生成旨在为图像内每个元素和区域生成详细描述，而非单一整体概述，能让人更深入理解图像场景，可用于训练视觉语言和文本转图像模型，提升图像搜索和辅助工具等功能。
研究人员指出，当前训练密集图像描述生成模型的AI方法存在明显不足。标注高质量专家级数据成本高昂，虽可用强大的视觉语言模型生成合成描述，但监督蒸馏得到的输出多样性有限、泛化能力弱，强化学习虽能克服这些局限，但在开放式描述生成中难以应用。
为此，研究团队提出新框架。他们从PixMoCap和DenseFusion-4V-100K两个训练数据集中随机抽取50000张图像，用Gemini 2.5 Pro、GPT-5等现有视觉语言模型为每张图像生成多个描述选项，同时让RubiCap框架下的待训练模型生成自身描述。接着，RubiCap用Gemini 2.5 Pro分析图像、候选描述和模型自身输出，确定评判标准，再由Qwen2.5-7B-Instruct根据标准打分，为训练提供奖励信号。
最终，研究团队生成了RubiCap-2B、RubiCap-3B和RubiCap-7B三个模型，参数分别为20亿、30亿和70亿。与现有方法相比，它们表现出色，甚至超越了参数多达720亿的模型。在盲排名评估中，RubiCap-7B在所有模型中排名第一，幻觉惩罚最低、准确性最强。研究还表明，30亿参数的小模型在某些基准测试中表现优于更大规模模型，意味着高质量密集图像描述生成模型不一定需要庞大体量。
