模型介绍
中文整理# CapRL 图像字幕生成模型
Model use case
CapRL 是一系列基于强化学习的图像字幕生成模型。与传统的监督微调方法不同，CapRL 采用强化学习与可验证奖励的方式，专门用于开放性和主观性的图像描述任务。该方法允许模型探索并生成更具创意和更广泛的描述，而非仅仅记忆有限的标注字幕。
## 主要能力
CapRL 模型在图像字幕生成方面展现出卓越性能。其中 CapRL-Qwen3VL-2B 在字幕任务上的表现优于 CapRL-Qwen2.5VL-3B 和 Qwen2.5VL-72B。CapRL-InternVL3.5-8B 的图像字幕能力也超过了 Qwen2.5-VL-72B。
在具体能力方面，CapRL 模型对图表、图表单和文档具有出色的视觉理解能力，感知准确性和视觉信息覆盖率可与 Qwen2.5-VL-72B 相媲美。模型输出结构清晰、条理分明，便于理解。对于自然图像，模型能够完整覆盖所有有效视觉信息，同时减少幻觉内容的产生。
## 输入输出
模型接受图像作为输入，经过处理后输出对应的文字描述或字幕。
运行要求
推荐使用 vLLM 加速推理过程。模型需要启动 OpenAI 兼容的 API 服务才能运行。
基本用法
使用 CapRL-InternVL3.5-8B 进行字幕生成时，可以直接参考 InternVL-3.5 系列的推理方法。首先启动 OpenAI 兼容的 API 服务，然后通过聊天 API 调用模型。
限制
不同规模的 CapRL 模型在性能和计算成本之间存在权衡。3B 参数版本侧重于速度和效率，而 8B 参数版本则提供更高的性能和先进的字幕能力。用户需根据具体需求选择合适的模型版本。
许可证
原文未提供具体的许可证信息。
优先采用原作者提供的中文模型卡片；仅有英文说明时由闲社AI翻译整理。重要参数、许可证和商用范围请以原文为准。
你将获得什么
完整仓库方式包含该固定版本中的权重、配置、分词器及说明文件；指定版本方式只下载所选文件或整组分片。多模态模型的投影文件、配置等依赖，请按作者说明配齐。
完整仓库可能包含多个权重格式，因此需要的磁盘空间可能大于单一格式的模型大小。下载文件不等于完成模型部署。
使用前须知
运行模型需要的设备、工具与依赖，以原作者说明为准。
是否允许商用、修改和分发，请查看模型许可证。
闲社提供资料与镜像下载方法，不代表已运行模型或完成安全审计。下载的代码应先检查，再执行。
资料或下载有问题？
登录后可提交反馈。