arXiv ID:
2601.21426
arXiv 提交日期: 2026-01-29
基于合成描述的多模态微调 / MultiModal Fine-tuning with Synthetic Captions
1️⃣ 一句话总结
这篇论文提出了一种新方法,利用多模态大语言模型为图像生成高质量的合成描述,将原本只有图像的单模态数据集转化为图文并茂的多模态数据集,从而在模型微调阶段充分利用了预训练阶段学到的多模态知识,显著提升了图像分类,尤其是小样本学习场景下的性能。