导语：描述数据的「长度通胀」
给多模态大模型造过训练数据的同学，大概率被「写详细点」这个需求折磨过。稠密描述（dense caption，用长文本把一张图里的物体、属性、关系尽量讲全的描述）是视觉信息变成语言监督的管道------描述里没有的信息，模型基本学不到。于是各家数据管线都在加长度：四千字不够就八千，一段不够就十段。
但长度是个会骗人的指标。一次长输出照样漏掉小物体、图片里的文字、「谁在谁左边」这类空间关系；更糟的是，模型会把拿不准的观察写成笃定的断言------长是长了，信息密度反而在稀释。做细粒度描述、视觉定位（grounding，把语言短语锚到图中具体区域）的同学对此应该不陌生：图一分辨率高起来，模型就开始「看图编话」。
蚂蚁集团与浙江大学的工作 ZoomCap（arXiv 2610.21320）把这个老问题换了个问法：别先问「怎么把描述写长」，先问「在有限的观察预算内，图里还缺哪些证据、去哪儿补、补完怎么筛」。下面这张对比图里，同样五个目标，两个知名描述方案（ScaleCap 与 Gemini-3.1-Pro）只保住了部分，ZoomCap 全部留住。
先给赶时间的同学一句话版本------
💡 一句话总结：ZoomCap 把一份草稿描述当路由器------缺世界知识去检索、文字图表走 OCR、没讲到的区域定向回补、只对最复杂的一块做二次放大；候选句子要过「新颖、与图一致、不重复」三道门才能进正文。评测端配套的 FactCycle 给每条原子断言盖两个章：源图里为真吗？只凭文字能重画出来吗？结果：每张图 52.4 条可回放事实，是最强基线 ScaleCap 的 1.7 倍；一个比对手小 10 倍的教师，在人类盲评里拿到 81.9% 的偏好分。
📄 论文：arXiv 2610.21320🗂️ 数据集：ZoomCap-450K（Hugging Face）------论文脚注声明的公开受控语料；官方代码仓截至成文快照未见
🛠️ 思路：先写草稿，再按缺口补证据
为什么不让模型直接一次看 4K 分辨率？论文给的答案是：单次全局生成会稀释注意力，小而偏的证据根本进不了视野；固定高分辨率裁切又把预算平均撒在空背景上。检索、视觉搜索能找回漏掉的区域，但「每个源都对每张图用一遍」太浪费------更多 token、更多工具、更多裁切，不必然带来更可信的信息。
ZoomCap 的做法是把「采集什么证据」和「怎么组织成文」拆开。整体管线如下面这张框架图：一份草稿描述驱动三路证据获取，最后多源融合成正式描述。
第一步是草稿当脚手架。第一次调用照常生成全图草稿，但它不再是成品，而是地图：记录哪些场景、实体、文字已经讲清楚，更重要的是暴露哪些区域没被覆盖。这一步的思路转变在于------草稿的价值不在写得好，而在「知道自己哪里没讲到」。
接着是三路证据流按需路由，各修各的缺口：
- 知识流：遇到产品、地标、艺术品、logo 这类「像素里看不出名字」的对象，触发图像检索补世界知识；检索结果只做参考，融合时不许覆盖视觉证据。
- OCR 流：文字、图表、文档、界面类图像走整图识别再摘要------特意不做任意裁切，因为裁切会破坏阅读顺序，读出一堆错乱碎片。
- 放大流：只对物体密集、属性局部化、空间结构化的图像追加观察，把预算花在草稿大概率没讲全的地方。
三路流不是并行全开，而是草稿说了算：缺什么，路由什么。
放大流内部还有一套值得细看的预算控制。覆盖感知裁切先用四个象限做粗覆盖（显著内容不与象限对齐时加一个语义区域），再把草稿里已接地的实体框并成「已解释集合」，专挑未覆盖比例最大的缺口矩形定向回补。注意这里的「缺口」是相对草稿已讲内容定义的，不是像素显著性------这一手让回补天然对准真正的盲区。
复杂度门控递归放大决定「要不要再深一层」。每个一级裁切块各自描述后按复杂度打分（实体数、小物体数、被裁切实体密度、面积占比加权），一个 agent 再行使否决权毙掉没信息量的提名；最后只有得分最高且被双重放行的那一个父块获得二次放大。这道门把总裁切输入省了 20.2%，二级输入省了 39.8%。
空间关系最容易「看图编话」，ZoomCap 用几何接地的 A-SPOE 关系（属性增强的主-谓-宾-环境图）兜底：左右、上下只从实体框的几何位置推导------间距要够、主方向要清晰、重叠不能过大，条件全过才收，一张图最多留 8 条。空间短语在进入自由文本之前，就先过了审计。
最后一步草稿锚定门控融合：任何一路产出的候选句子，要同时满足「相对已表述内容新颖、与草稿视觉一致、与已收句子不重复」三道门才能进正文。三道门全部在提示词层实现、零训练，却堵住了最阴险的失败模式------把一次模糊的局部观察，升格成一句笃定的全局断言。
📈 效果：从断言到账单的三层证据
方法说得热闹，怎么证明「信息真的变全了」而不是「写得更长了」？论文的评测设计本身就是一个贡献，值得先讲。
FactCycle：给每条断言盖两个章。 流程是：一个看不见图的文本抽取器把描述拆成原子断言（实体、属性、关系、计数、小物体、动作）；一个固定文生图模型只凭描述把图重画一遍；然后两组互不通气的评委，分别对着「源图」和「重画图」给同一批断言打分。两条线索交叉，每条断言落进四个格子：真且可回放（transferred）、编的但画得出来（specious）、编的且画不出、真但画不出------最后一格的账记在生成器头上，不冤枉描述。
在 250 张评测图上，三套描述语料的对比是：每图事实数 67.1 对 41.9（ScaleCap）和 20.7（ShareGPT4V）；真值率 93.8% 对 88.9% 和 81.4%；specious 比例 3.4% 对 7.4% 和 16.6%------最后一项值得多看一眼，那正是「自信地胡说」的部分。折算成每图可回放事实数（FC_trans）：52.4 对 31.5 和 14.8。判读方向：看「transferred 高、specious 低」这个组合才作数，单看任何一项都可能被「少说少错」骗到。
两个细节能堵住「是不是只是写长了」的质疑。其一，长度确实涨了------ZoomCap 语料总字符是 ScaleCap 的 1.45 倍、P99 长度 1.58 倍，但所有质量比率列不降反升，数量随长度涨、比率没随长度跌。其二，还有一个不依赖 VLM 评委的旁证：源图与重建图的 DINOv3 相似度（一种通用视觉特征的全局比对）为 0.696 对 0.620 和 0.566，方向与 fact 级结论一致。
再一个反直觉的发现：单看「可实现性」（描述内容能被画出来的比例），ZoomCap 反而垫底------说得少的人「句句能画」。如果评测只看重建相似度，排名会整个倒挂。这也解释了为什么之前的循环一致评测总测不准：它们把「编得能画」和「说得真」混在一锅算。
眼见为实：同一张源图、同一个生成器，只换描述文本，重建结果的差别如下------ZoomCap 版明显保留了更多构图与细节。
第二层证据是人。 在 456 张内部业务图的盲评里（对手是 Qwen3.5-397B-A17B 单次旗舰产出的描述），ZoomCap 用一个 35B 的教师拿到人类平票折算偏好 81.9%------平票折算即赢算 1 分、平局算半分；三位 VLM 评委的分数在 76.4% 到 92.2% 之间，全部站在 ZoomCap 一边。分维度看，优势最大的是知识丰富度（85.0--93.5%），信息覆盖次之，指令遵循是相对短板（人类维度 63.1%）。小 10 倍的教师赢下单次旗舰，每图成本还在同一量级（ 0.0077对0.0067）。
消融实验回答「增益从哪来」。 固定对手后：纯草稿只能拿 55.9（覆盖率 41.6 是硬伤）；加局部观察反而掉到 53.0------覆盖率升到 62.4，但局部观察自带幻觉风险；再把检索知识加上，总分跳到 74.2，知识丰富度从 46.7 拉到 92.3。放大策略的正面对决更干脆：复杂度门控 71.2 对全量二级金字塔 28.8------省钱的那版赢了，说明门控砍掉的是噪声而不是证据。
第三层证据是下游训练。 描述写得再好，最后要回答「喂给模型有没有用」，论文给了三组对照：
- 受控对照：三个 backbone 各用 45 万条不同来源描述做继续预训练（CPT，在基座上继续训练吸收知识），11 项基准均值比最强竞品语料高 1.31 到 2.38 分。
- 通用生产：Ling-Tiny-VL-v3 的 600 亿 token 对照训练里，把 20% 描述组换成 1600 万条 ZoomCap 描述，文档/OCR 套件均值 +1.4（OmniDocBench +9.8），感知套件 +1.5（MMVet +11.8）；也有小幅回撤------TableVQA -0.7、MMStar -0.6。
- 医疗生产：同一批 264 万张医学图、同一算力配方，ZoomCap 描述比 Gemini-3.1-Pro 描述在五项医疗 VQA 上平均多涨 1.28 分（+3.04 对 +1.76）。
顺带把账单摊开：ZoomCap 每图约 9 次调用、29 秒、 0.0077；ScaleCap官方配方约70次调用、123秒、0.0274。按图算便宜 3.6 倍，按「每条可回放证据」算便宜约 5.9 倍。用「单位证据成本」而非「单图成本」披露效率------这个做法本身就值得抄走。
怎么用：三套现成的搬法
如果你在造自己的描述语料，最值钱的是「草稿路由」这个骨架：先用便宜的一遍当地图，再决定预算往哪花。不必照抄全部六件套------检索、OCR、放大三路可插拔，按你的数据形态选配，文档多的优先 OCR，知识密集的优先检索。
如果你只想白嫖评测：FactCycle 的双锚点协议不依赖 ZoomCap 本体，只要能调一个文生图模型加两个 VLM 评委，就能给自己的描述数据做 fact 级体检。记住那条记账规则------「真但画不出」算生成器的损失，别拿来扣描述的分。
如果你做的是 agent 感知管线（不限于描述）：「复杂度门控 + agent 否决 + 只放行一个」的预算模式、三道门的融合准入，都是即插即用的工程范式。做医疗数据的同学还可以留意那个同图同算力的对照设计------它把「描述质量」从「数据配比」里干净地剥了出来。
🧊 泼冷水：这套尺子并非无懈可击
先说评测。FactCycle 的「可回放」内嵌了一个特定文生图生成器的能力，而文生图画不好文字是出了名的------文字类断言可能被系统性低估；评测池又特意排除了截图、文档、图表，也就是说 OCR 这条分支在主实验里没被测到（论文自己承认了）。按类别拆解还有一处微妙的失分：七类断言里 ZoomCap 的 specious 份额全部最低、可回放份额六类最高，唯一没拿下的小物体类，恰是它主打要补的对象（正文未展开解释）。重建提示截断到 3000 字符，对 ZoomCap 绑定的图更多（250 张里 108 张）；作者用未截断子集证明排序不变，但这个操作本身说明指标对工程细节是敏感的。
再说方法与尺子的关系。FactCycle 由提出 ZoomCap 的同一批作者设计，方法与评测同源------怀疑者完全可以说：ZoomCap 优化的是「VLM 评委认可 + 文生图可渲染」的描述。对冲证据是下游训练涨分和同图 Gemini 医疗对照，这两条链路相对独立于那把尺子；但「第三方独立复刻」这一关，目前还没人过。
另外几个别急着激动的点：
- 知识丰富度的大涨主要靠检索：46.7 到 92.3 的跳变来自外挂检索，不是更强的视觉观察。「查到 logo 是什么」和「看清 2% 大小的小字」是两种能力，看总分时别混着夸。
- 人工盲评规模有限：456 张图来自内部业务池，人工评委 6 人；1600 万条生产语料不公开，公开的只有 45 万条受控子集。
- 工程不是免费的：每图约 9 次调用、29 秒延迟，还要维护并发服务；相比「一次调用打天下」，这是一套需要运维的管线。
- 医疗结果是 benchmark 数字：作者原话声明，不可用于诊断或治疗决策。
清单念完，公道话也说在前头：论文对截断敏感性做了自证、登了负结果（TableVQA、MMStar 等小幅回撤），比多数「全绿表格」的诚实度高出一截。
💡 理性看待
ZoomCap 真正的贡献不是「又一套描述生成管线」，而是把两个长期被混为一谈的东西拆开了：写得多 和搬进去的信息多。前者是字符数，后者是「每条断言在源图里为真、且只凭文字能还原」------一旦用后者当 KPI，「草稿路由、按缺口花预算、逐条验收」就成了自然解，而不是炫技。
对做数据合成的人，这是一个范式提醒：先定义「什么算一条被搬运的证据」，再设计采集流程，最后用能拆账的指标验收------顺序反了，就只能在长度和幻觉之间反复横跳。FactCycle 这把尺子由作者自产自用，确实需要社区独立复刻；但「双锚点、fact 级、按单元计价」这套思路，现在就能搬进你自己的数据验收流程。
毕竟，「写得长」从来不是目的。图里的小字、小物和左右关系，才是模型真正没见过的东西。