本研究提出了一种新型合成字幕生成技术，旨在解决大规模视觉-语言模型预训练中的数据稀缺问题。该技术能够生成高质量、低幻觉的合成字幕，显著提升模型在视觉语言任务中的表现，特别是在文本到图像领域。

BLIP3-KALE是一个包含2.18亿对图像-文本的数据集，旨在弥合合成字幕与网页替代文本之间的差距。通过结合合成密集图像字幕和网页规模的替代文本，生成了具备事实依据的图像字幕，显著提升了多模态模型的能力和知识水平。

CapsFusion是一种先进的框架，利用大型语言模型从图像文本对和合成字幕中巩固和完善信息。它在模型性能、样本效率、世界知识深度和可扩展性方面展示出卓越的优势，成为未来大规模多模态模型训练的有希望的候选者。

通过合成字幕和动态调整样本权重，ALIP有效降低噪音数据的影响并增强预训练数据效率。在不同规模模型和预训练数据集上进行了实验验证，并在零样本图像-文本检索和线性探测等多个下游任务中取得了最先进的性能。