我们提出了一种新方法，利用大语言模型和图像生成模型创建合成图像-文本对，用于高效训练视觉语言模型。通过预训练文本到图像模型，我们的方法能够用合成数据训练出只需少量人工标注数据的视觉语言模型，并在图像字幕任务中表现出相当性能。这项研究提升了视觉语言模型的性能，拓展了其在各个领域中的适用性，并改善了数据效率和资源利用。