CAPEval：解耦视觉理解与生成的图像描述评估

发生了什么

原始事实： 论文提出CAPEval（Coverage And Precision Evaluation），将图像描述评估从单一标量拆分为Coverage和Precision两个维度。作者使用人工撰写的参考描述与人工核验的原子检查项，并比较来自四个模型家族的10个描述模型。

核心技术

原始事实： Coverage衡量描述对参考事实内容的覆盖程度；Precision衡量描述中所有视觉声明被图像支持的比例。该设计试图区分“遗漏信息”和“添加错误信息”两类质量问题。分析： 这相当于把描述任务中的召回倾向与事实可靠性分开建模。

关键证据与数字

原始事实： 论文报告了受控的端到端下游实验，唯一变化因素是描述来源；实验覆盖10个描述模型、四个模型家族。作者称结果呈现一致的任务依赖性分化：Coverage更能关联理解性能，Precision是生成性能的主要预测因子。摘要没有给出具体相关系数、样本规模或置信区间。

为什么重要

分析： 单一描述质量分数可能掩盖不同下游任务的相反需求。理解模型可能从更完整的视觉事实中受益，而文生图数据若包含错误或幻觉声明，可能把错误监督传递给生成模型。因此，数据构建与模型选择可以围绕任务目标分别优化。

实际影响

分析： 构建多模态理解数据时，可优先检查描述的Coverage；准备文生图训练描述时，可优先控制Precision。CAPEval也可能用于比较自动描述器、筛选训练样本，以及诊断“信息不足”与“事实错误”两种不同失败模式。未验证推断： 该方法是否能直接改善真实训练流程，仍取决于评测成本、原子事实标注质量和与具体模型架构的适配性。

局限与不确定性

摘要未说明CAPEval的图像来源、领域覆盖、语言范围、检查项生成方式和评审一致性，也未披露10个描述模型的具体身份。Coverage依赖参考描述，可能遗漏参考文本未表达但图像中存在的事实；Precision则可能受到原子声明切分粒度影响。摘要中的“更强相关”和“主要预测因子”尚需全文中的统计方法与跨数据集验证支持。

原始来源

• arXiv:2608.02589
• 来源：Hugging Face Papers（用户提供的论文条目）