CASE / STRUCTURED CAPTION
结构化图像描述
将图像中的主体、细节、空间与风格拆为稳定字段，形成可学习的描述结构。内容为可编辑模板。
- TYPE
- 图像识别 / Caption
- PERIOD
- 周期待填写
- YEAR
- 年份待填写
撑伞男子 · 通勤列车
透明雨伞 · 黑色背包
列车经过男子前方
雨后的站台上，撑伞男子注视着从面前经过的银色列车。
WHY STRUCTURED CAPTION
让每条描述，
都能回到画面证据。
项目面向图像描述类 SFT 数据生产。传统自由文本容易把可见事实、主观判断与风格词混在一起， 造成主体遗漏、空间关系漂移，以及描述结果无法回查。
因此，我将单张图像拆解为主体、属性、动作、关系、场景与风格六类字段， 要求每一项描述都绑定可指认的视觉证据，最后再合成为自然、稳定、可复用的 Caption。
EVIDENCE LOCKED
SUBJECT
主体ATTRIBUTE
属性ACTION
动作RELATION
关系SCENE
场景STYLE
风格VISIBLE FACTS
→CHECKABLE FIELDS
→NATURAL CAPTION把模糊感受，拆成可以共同判断的问题。
挑战待替换：描述细节遗漏、幻觉、风格词滥用或空间关系表达不稳定等问题。
EVIDENCE-FIRST WORKFLOW
从看见，
到写对。
不直接生成一句话，而是让观察、拆解、合成和核验四个阶段都留下可以回查的中间结果。
OBSERVE
建立画面事实
先确认画面中真实可见的主体、物体与事件，只记录证据，不提前推断动机或情绪。
DECOMPOSE
拆解描述字段
按主体、属性、动作、关系、场景和风格六类字段组织信息，避免描述无序堆叠。
COMPOSE
合成自然描述
遵循主体优先、先事实后修饰的语序，把离散字段合成为简洁、自然的 Caption。
VERIFY
反向证据核验
逐短语回查画面，删除无法指认的信息，并复核关系、指代、完整性与语言表达。
CHECKABLE RULES / ISSUE TAGS
规则与
问题标签
每条规则同时定义“什么是正确”和“错误如何记录”，让审核结论可以追踪、聚类并回流到下一版规范。
EVIDENCE REQUIRED
TAG SET / V1.0SUBJECT COVERAGE
主体完整
主要人物、物体和核心事件不得遗漏，主次对象必须清楚。
ATTRIBUTE GROUNDING
属性准确
颜色、材质、数量和外观必须与画面证据保持一致。
RELATION CLARITY
关系清晰
左右、前后、遮挡、动作和人物互动需要明确且无歧义。
STYLE CONTROL
风格克制
只使用画面能够支持的光线、氛围与风格词，避免过度修饰。
NO HALLUCINATION
禁止幻觉
不补充不可见的身份、意图、原因、品牌或画面外事件。
LANGUAGE QUALITY
语言自然
表达简洁连贯，不重复堆词，不保留生硬的字段拼接痕迹。
PRODUCTION LOOP / VERSIONED
从一张图，
走到一套规范。
执行不是一次性交付：样本经过证据标记、描述、复核和难例回流后，继续推动规则与版本迭代。
01 SCHEMA
定义字段与边界
确定六类字段、写作顺序和不可推断内容。
02 EVIDENCE
标记视觉证据
定位主体、属性、动作与关系对应的画面区域。
03 CAPTION
合成自然描述
依据字段结果生成事实优先、语序自然的 Caption。
04 REVIEW
双重规则复核
执行字段完整性检查与逐短语反向证据核验。
05 HARD CASE
难例聚类回流
将遮挡、反射、多主体等失败样本按标签归类。
06 VERSION
规范迭代归档
更新规则、样例与标签定义，保留版本变更记录。
METHOD ASSETS / CAPABILITY
结果不是一个数字，
而是一套可复用资产。
本案例不虚构数据规模与通过率，重点呈现已经建立的方法资产，以及它们如何支撑后续生产、复核与版本迭代。
METHOD READY
PUBLIC METRICS / PENDINGCAPTION SCHEMA
结构化描述字段
主体、属性、动作、关系、场景与风格形成统一的信息骨架。
RULE REGISTRY
规则与问题标签
每条规则绑定唯一问题标签，让错误能够被记录、聚类与回查。
REVIEW LOOP
证据复核闭环
从画面证据到自然描述，再回到逐短语核验与难例回流。
- 01视觉信息抽取
把复杂画面拆成可指认、可复核的事实节点。
- 02描述规范设计
将离散字段组织成稳定且自然的语言表达。
- 03质量问题治理
用规则、标签和难例库推动规范持续迭代。
图片描述案例
STRUCTURED CAPTION / VISUAL EVIDENCE
雨后车站
空间关系 / 场景描述
桌面静物
物体属性 / 相对位置
街头市场
多人关系 / 动作识别
玻璃后的阅读者
反射识别 / 遮挡判断
雨后车站
CAPTION READY
雨后的车站站台上，一名撑透明雨伞的男子站在铁轨旁，银色列车从他面前经过，黑色背包放在他的右侧，左侧设有红色自动售货机。
- 主体 / SUBJECT
- 撑伞男子、银色列车、黑色背包、自动售货机
- 属性 / ATTRIBUTE
- 透明雨伞、银色车身、黑色背包、红色机身
- 动作 / ACTION
- 男子站立等候，列车正从站台前方经过
- 关系 / RELATION
- 背包位于男子右侧，售货机位于画面左侧，列车经过男子前方
- 场景 / SCENE
- 雨后车站站台，傍晚蓝调光线，地面留有积水反射