CapRL a été proposé en septembre 2025 par une équipe de recherche de l'Université des sciences et technologies de Chine, de l'Université chinoise de Hong Kong et du Laboratoire d'intelligence artificielle de Shanghai, entre autres institutions. Les résultats de cette recherche ont été publiés dans l'article « ... ».CapRL : Stimuler les capacités de légende d'images denses grâce à l'apprentissage par renforcement".

CapRL est un nouveau cadre d'entraînement qui redéfinit la qualité des descriptions par son aspect pratique : des descriptions de haute qualité doivent permettre aux modèles de langage non visuels de répondre avec précision aux questions concernant l'image correspondante. Il utilise un processus découplé en deux étapes : un grand modèle de langage visuel (LVLM) génère la description, tandis que la récompense objective est basée sur la précision d'un autre grand modèle de langage non visuel (LLM) à répondre à des questions à choix multiples fondées sur cette description. Pré-entraîné sur l'ensemble de données de descriptions CapRL-5M annoté avec CapRL-3B, CapRL obtient des améliorations significatives sur 12 benchmarks. De plus, dans le cadre Prism d'évaluation de la qualité des descriptions, ses performances sont comparables à celles de Qwen2.5-VL-72B, surpassant la référence de 8,41 points TP3T en moyenne.