机器之心报道机器之心编辑部你说不出来的话，大模型替你说了。图像描述（image captioning）生成一直是计算机视觉和自然语言处理领域面临的长期挑战，因为它涉及理解和用自然语言描述视觉内容。虽然近期的视觉语言模型 (VLM) 在图像级