邢龍和董瀟逸為本篇文章共同第一作者。邢龍是中國科學技術大學博士生，師從林達華教授和吳楓教授，研究興趣主要集中在 multi-modal LLMs 和 efficient AI。董瀟逸是香港中文大學 MMLab 的博士后研究員，同時在上海人工智能實驗室擔任兼職顧問研究員，已在頂級會議和期刊（如 CVPR、ICCV、ECCV 等）上發表了 50 余篇論文，Google Scholar 上獲得超過 10000 次引用。

今天推薦一個 Dense Image Captioning 的最新技術 —— CapRL (Captioning Reinforcement Learning)。CapRL 首次成功將 DeepSeek-R1 的強化學習方法應用到 image captioning 這種開放視覺任務，創新的以實用性重新定義 image captioning 的 reward。訓練得到的 CapRL-3B 模型，可以成功達到與 Qwen2.5-VL-72B 相當的 captioning 水平！這是 image captioning 領域的一大進展，更是為 GRPO 策略應用于開放任務提供了重要思路！

目前 Huggingface model&dataset 總下載量已經突破 6k，并且正在迭代更強的基座模型以及升級 training recipe，歡迎使用！