arXiv cs.CL· Hao Shi, Jiafeng Wang, Yuzhuo Fu, Tao Zhang, Jian Bai, Juelu Zhang, Qing Cui, Chao Huang·· 2 天前AI 评分28
ZoomCap：用证据路由视觉缩放实现可恢复的视觉信息迁移
ZoomCap: Evidence-Routed Visual Zooming for Recoverable Visual Information Transfer
AI 导读
ZoomCap 将细粒度图像描述建模为"可恢复的视觉信息迁移"，通过草稿描述路由条件知识检索、OCR 敏感阅读、覆盖缺口恢复与自适应视觉缩放，仅对最复杂的合格区域分配更深裁剪。
正文 · AI 翻译
摘要：详细描述将视觉信息转化为视觉语言模型的监督信号，但其质量很容易与长度混为一谈：长篇幅的单次输出仍会遗漏小物体、文本和空间关系，或将不确定的观察结果提升为自信的断言。我们将细粒度描述建模为可恢复的视觉信息传递，其中教师模型在有限的观察预算下获取缺失的证据，并将其转化为可复用的监督信号。ZoomCap 利用草稿描述来引导条件知识检索、OCR 敏感阅读、覆盖缺口恢复和自适应视觉缩放，仅将更深的裁剪分配给最复杂的合格区域，从有依据的几何信息中推导空间关系，并融合非重复证据。我们还引入了 FactCycle，它基于两个盲锚点——源图像（真实性）和重建（可实现性）——对描述衍生的原子断言进行评分，逐条区分捏造与生成器损失；人工和多评判者比较补充了这一事实层面的视角。与 Qwen3.5-397B-A17B 的描述相比，ZoomCap 在教师模型规模小 10 倍以上的情况下，获得了 81.9% 的人工平局调整偏好分数，FactCycle 统计每张图像传递 52.4 条断言，而 ScaleCap 为 31.5 条。这些证据也具有迁移性：在持续预训练中，ZoomCap-450K 在 60B token 下将 11 个基准的平均值比最强的竞争语料库提高了 1.31-2.38 分，Ling-Tiny-VL-v3 在生产文档/OCR 监控套件上提高了 1.4 分（感知上提高 1.5 分）；在医学预训练中，264 万张 ZoomCap 描述图像将五个 VQA 基准提高了 3.04 分（相同图像的 Gemini-3.1-Pro 描述为 1.76 分）。
| 评论： | 21 页，10 幅图，11 张表；技术报告。ZoomCap-450K 已在 此 https URL 公开 |
| 主题： | 计算机视觉与模式识别（cs.CV）；计算与语言（cs.CL）；多媒体（cs.MM） |
| ACM 分类： | I.2.10；I.2.7 |
| 引用为： | arXiv:2610.21320 [cs.CV] |
| （或 arXiv:2610.21320v1 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21320 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hao Shi [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 06:10:24 UTC（14,556 KB）
来源：arXiv cs.CL · arxiv.org