RefCaptioner：多参考图像约束的视频描述生成

论文提出“多参考图像约束的视频描述”任务，要求模型生成事实准确的视频描述，并将短语级内容绑定到多张参考图像。RefCaptioner采用混合数据SFT与分层覆盖折扣GRPO两阶段后训练，配套构建含20,000个视频、171,354张参考图像的数据集及MRVBench基准，在开源模型中取得最佳综合表现。