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。