🚀 CapRL-3B: когда 3 миллиарда параметров работают как 72 миллиарда

InternLM (Shanghai AI Laboratory) выпустила CapRL-3B — модель для автоматического создания описаний к изображениям (image captioning). Это первая модель, обученная через reinforcement learning (обучение с подкреплением) специально для этой задачи. Релиз состоялся 25 сентября 2025 года.

Ключевые характеристики:
• Размер модели: всего 3B параметров, но по качеству работы сравнима с Qwen2.5-VL-72B (в 24 раза больше!)
• Особая сила: диаграммы, инфографика и документы — модель отлично распознаёт графики, таблицы и текст на изображениях
• Технология обучения: RLVR (Reinforcement Learning with Verifiable Rewards) вместо традиционного supervised fine-tuning. Модель учится генерировать описания так, чтобы по ним можно было точно отвечать на вопросы об изображении
• Результаты: прирост на 8.4% по сравнению с базовой моделью, меньше галлюцинаций

Технические детали: Модель доступна на 🤗 HuggingFace и в виде кода на GitHub. Лицензия Attribution-NonCommercial 4.0 International — можно использовать для исследований, но не для коммерческих целей. В комплекте идёт датасет CapRL-5M с 5 миллионами аннотированных изображений и модель CapRL-Eval-3B для оценки качества подписей.

🔗 Ссылки: 🏠 Статья на arXiv
🐙 GitHub репозиторий
🤗 Модель на HuggingFace
🤗 Датасет CapRL-5M

#CapRL #imagecaptioning #написаноклодом