CapRL：创新图像描述评估方法，从半开放到封闭评估，提升多模态模型性能

CapRL提出创新方法，将半开放的图像描述评估转为封闭式评估，即通过测试描述能否帮助无视觉能力的LLM正确回答相关问题来评估质量。该方法使用RLVR范式训练，构建高质量图文问答对数据集，实验证明能显著提升图像描述质量，且将其数据用于预训练可有效提升多模态大模型性能。

前排提示，文末有大模型AGI-优快云独家资料包哦！

Image captioning是非常基础的多模态理解任务，横跨CV以及NLP这2个领域，其目的是给图片生成文字描述，即"看图说话"。对于多模态大模型，Image captioning非常重要。一方面预训练阶段依赖高质量的(image, caption)图文数据去对齐文本以及图像这2个模态，另一方面captioning也是多模态大模型最直观的任务形态，是各种理解推理任务的基础。

对于该任务，目前主流方案均先通过人工or专精模型给图片集合构建caption再通过SFT让模型拟合图文对样本(通过NTP任务依次预测caption中的每个token)，这类方案的缺点是构建高质量caption的成本通常比较高导致不易扩展数据量，另外SFT范式本身就倾向让模型去记忆，导致泛化性比较受限。为了提升模型的泛化性，使用可验证奖励的强化学习(RLVR)是一种很好的选择。但使用这种范式有一个关键问题，那就是如何较好地评估模型产出的caption的质量？(本质是设计奖励模型)。如下图所示，若直接使用通用奖励模型或者通用VLM评估caption跟图片的匹配度，通常会存在reward hacking的问题。

CapRL[1][2]围绕这个关键问题进行了巧妙的设计，从而将构建caption这个半开放式任务的质量评估转成封闭式任务的质量评估。其核心在于1个假设，即如果某张图片的caption能让不具备视觉能力的LLM能较好地回答围绕该图片的各种QA，那就说明这个caption的质量是比较高的。具体示例如下所示：

为了提高方案的可扩展性，CapRL首先搭建了一套能快速产出高质量QA的数据生产流程，主要包含3个环节：1）数据收集。从互联网以及开源数据集中收集了各种类型的图片，涉及自然图片、图表以及文档图片(维持多样性)；2）问题生成。围绕前面收集的图片，使用Qwen2.5-VL-72B构建了大量多项选择题；3）问题过滤。这个环节的目的是提升问题的质量，核心是确保每个问题都需要依赖图片才能正确回答 (过滤仅依赖文字prompt就能回答的题目)。最终形成了7.5w条高质量的图文问答对样本。

完成数据集构建后，即可通过RLVR范式训练模型。如上图所示，CapRL使用主流的GRPO算法+ORM(结果奖励模型)，即先使用VLM给每条样本采样出G条caption，然后对这些caption进行质量评估从而得到它们的reward。为了获得高质量reward，CapRL会将这些caption依次扔给不具备视觉能力的大语言模型(Qwen2.5-3B-Instruct)，然后要求该模型仅基于caption回答M个QA，最终根据回答的正确率计算每条caption的reward。为了降低模型对具体选项的潜在偏好，CapRL引入了随机打乱选项的策略。

实验方面，CapRL主要从3个维度验证了方案的有效性以及价值：

• 维度1: 通过CapRL方案训练模型，是否能提升模型构建caption的能力？=> 使用Prism评估框架 (先产出caption&再让LLM基于caption回答问题)，从下表可知：让LLM使用CapRL-3B生成的caption回答问题的整体准确率是最高的 (甚至已经跟Qwen2.5-VL-72B持平)。

• 维度2: 对于CapRL方案，评估QA训练数据的多样性及量级、reward模块需要回答的问题数量对最终效果的影响？同样使用Prism评估框架，如下所示：

• 即使QA训练数据仅限于DocChart或者自然图片，CapRL-3B的caption质量相比baseline也有明显的提升；
• 随着训练集规模的增加(0->75k)，模型在2个benchmark上的效果也会持续变好。

• 即使仅基于LLM回答1个问题所得反馈作为reward也能取得较大的提升。此外，使用LLM回答特定问题时，采样次数(打乱选项重新回答的次数)对结果有一定影响；

• 维度3: 将CapRL模型所生产的caption数据当做通用多模态大模型的预训练数据，是否能提升大模型的整体效果？具体结果如下所示：

• 在保持相同训练集规模(1M)的前提下，使用CapRL-1M数据集训出来的模型在不同benchmark上的整体效果是最好的；
• 扩大训练集规模(CapRL-1M=>CapRL-5M), 效果还能持续提升；

总的来说，CapRL这篇工作提出的方案非常直观、巧妙并且效果非常好！个人觉得非常有借鉴意义，尤其是将caption任务的质量评估从半开放式转换成封闭式这个点。此外，小策觉得CapRL的设计还有一个潜在的优点 (训练跟评估的形式比较match），即直接通过Caption对解决下游任务(QA)的帮助去评估Caption的价值，有点类似端到端，即用目标任务的信号去指导中间模块的优化。

以上为个人学习总结，如有不当之处，欢迎批评指正～

读者福利：倘若大家对大模型感兴趣，那么这套大模型学习资料一定对你有用。

针对0基础小白：

如果你是零基础小白，快速入门大模型是可行的。
大模型学习流程较短，学习内容全面，需要理论与实践结合
学习计划和方向能根据资料进行归纳总结

包括：大模型学习线路汇总、学习阶段，大模型实战案例，大模型学习视频，人工智能、机器学习、大模型书籍PDF。带你从零基础系统性的学好大模型！

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓

👉AI大模型学习路线汇总👈

大模型学习路线图，整体分为7个大的阶段：（全套教程文末领取哈）

第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；

第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；

第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；

第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；

第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；

第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；

第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。

👉大模型实战案例👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

👉大模型视频和PDF合集👈

这里我们能提供零基础学习书籍和视频。作为最快捷也是最有效的方式之一，跟着老师的思路，由浅入深，从理论到实操，其实大模型并不难。

👉学会后的收获：👈

• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。

👉获取方式：

😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓