CompCap: 利用复合说明改善多模态大语言模型

本研究针对多模态大语言模型（MLLMs）在理解复合图像（CIs）时面临的挑战，提出了一种新的解决方案。通过引入复合说明（CompCap）框架，该框架生成包含准确详细说明的复合图像，大幅提升了MLLMs对CIs的理解能力，实验结果显示在11个基准测试中提高了平均1.7%至2.9%的表现。