该文章介绍了一种名为“灵活字幕”的多功能视觉语言模型（VLM），能够生成长度不同的区域特定描述。该模型在密集字幕任务、视觉问答和对象检测等领域具有广泛应用的优越性能。

介绍了一种多功能的“灵活字幕”视觉语言模型（VLM），能够生成长度各异的区域特定描述。该模型FlexCap训练用于为输入边界框生成长度条件化的字幕，控制输出信息密度。通过创建大规模训练数据集，展示了灵活字幕在密集字幕任务、视觉问答和对象检测等领域的优越性能。