有了AI，誰還愿意用手配「字幕」？

剛剛，英偉達聯手UC伯克利、UCSF團隊祭出首個神級多模態模型——Describe Anything Model（DAM），僅3B參數。

論文地址：https://arxiv.org/pdf/2504.16072

正如其名Describe Anything，上傳一張圖，圈哪點哪，它即可生成一段豐富的文字描述。

即便是一段視頻，DAM也能精準捕捉到白色SUV，給出詳細的描述。

DAM是一個專為詳細局部標注（DLC）而設計的模型，即為特定區域生成詳細且精確的描述。

通過兩大創新，研究人員在細節與上下文之間找到平衡：

· 焦點提示：對目標區域進行高分辨率編碼，就像給模型配備了一副「放大鏡」，清晰捕捉到局部區域細微特征

· 局部視覺骨干網絡：將精確定位的特定區域，與上下文無縫整合

換句話說，DAM不僅能放大細節看，還能放眼全局看，無論是靜態圖，還是動態視頻，都能做到游刃有余。

網友驚嘆道，「終極視覺AI突破」！

AI用「放大鏡」看世界

在項目主頁中，英偉達等研究團隊放出了更多精彩demo。任何人通過點、框、涂鴉或掩碼的交互，即可一鍵生成描述。

上傳一張柯基在草地上歡快奔跑的圖，選中柯基，讓DAM去描述：

一只中等體型的狗，擁有濃密的紅棕色毛發，腹部和腿部為白色。這只狗尾巴蓬松，耳朵尖立，戴著帶有銀色吊牌的紅色項圈。它張著嘴露出牙齒，舌頭伸在外面。狗呈奔跑姿勢，前腿向前伸展，后腿向后伸直。

一只被擠到犄角旮旯的貓星人，DAM是這樣配文的，「一只白貓，耳朵呈淺橙色，鼻子是粉色的。貓咪表情放松，眼睛微微閉著，全身覆蓋著柔軟的白毛」。

再比如，隨手涂鴉一棟高樓，DAM可以不斷放大細節，給出這幢樓更細致的描述：

一座現代風格的摩天大樓，采用流線型矩形設計，外立面排列著間距均勻的豎向條形窗。建筑呈階梯式結構，每一層段都比下層略微內縮，形成錯落有致的退臺造型。建筑幕墻主要由反光玻璃面板構成，整體呈現出極具現代感的拋光效果。

甚至，DAM看著視頻中的一頭牛，就能直出一篇經典「小作文」：

一幅描繪棕褐色奶牛的動態序列圖：這頭毛色濃密的奶牛臀部帶有淺色斑塊，初始畫面中它微微低頭，透著安詳的神態。隨著動作展開，奶牛開始穩步前行，四肢舒展著節奏分明的步態，尾梢的簇毛隨每一步輕擺，為行進增添流暢韻律。它始終保持挺拔的站姿，略微弓起的背部線條透出放松狀態，肌肉結實的腿部穩健地向前邁進。整個運動過程中，奶牛保持著均勻從容的步調，每一個動作都流暢而不迫，展現出寧靜自若的生命姿態。

DAM如此厲害，是如何做到的？

DAM技術架構，精準捕捉細節

與傳統圖像描述（概括整個場景）不同，DLC聚焦于用戶指定的局部區域，來生成細致入微的描述。

想象一張照片中一只貓，你不僅需要描述「一只貓在窗臺上」，還要深入些幾「貓的毛發呈現柔軟和灰色條紋，耳朵微微傾斜，眼睛在陽光下閃著琥珀色的光芒」。

可以看出，DLC的目標是捕捉區域的紋理、顏色、形狀、顯著部件等特征，同時也要保持與整體場景關聯。

而在視頻領域中，DLC挑戰更大。

模型需要追目標區域在多個幀中的變化，描述其外觀、交互、和細微動態的演變。

為了應對DLC復雜需求，Describe Anything Model引入了兩大核心創新，讓局部細節與全局上下文完美平衡。

焦點提示（Focal Prompt）

通過「焦點提示」機制，DAM能夠同時處理全圖和目標區域的放大視圖。

這確保它在捕捉細微特征同時，不丟失整體場景的背景信息。

局部視覺骨干網絡（Localized Vision Backbone）

DAM的視覺骨干網絡通過空間對齊的圖像和掩碼，融合全局與局部特征。

利用門控交叉注意力層，模型將詳細的局部線索與全局上下文無縫整合。

新參數初始化為0，保留了預訓練能力，從而生成更豐富、更具上下文關聯的描述。

這種架構讓DAM在生成關鍵詞、短語，甚至是多句式的復雜描述時，都能保持高精度和連貫性。

DLC-SDP：破解數據瓶頸

要知道，高質量的DLC數據集極為稀缺，限制了模型的訓練。為此，研究團隊設計了基于半監督學習的流水線（DLC-SDP），通過兩階段策略構建大規模訓練數據。

階段一，是從分割數據集擴展。利用現有分割數據集短標簽（貓），通過視覺-語言模型生成豐富的描述（灰色短毛貓，耳朵直立。

階段二，自訓練未標記的圖像，通過半監督學習，DAM對未標記的網絡圖像生成初始描述，并迭代精煉，形成高質量的DLC數據。

DLC-Bench：重定義評估標準

那么，如何公平地評估DLC模型。

傳統方法主要依賴文本重疊，但這無法全面反映描述的準確性和細節。

為此，研究團隊提出了全新基準DLC-Bench。通過LLM判斷，檢查描述的正確細節和錯誤缺失，而非簡單對比文本。

DAM僅能生成詳細描述，還具備強大的靈活性和交互性。

指令控制描述

你可以根據需求調整描述的詳細程度和風格。

零樣本區域問答

而且，無需額外訓練，DAM就能回答關于特定區域的問題。

碾壓GPT-4o，刷新SOTA

在DLC-Bench和其他7個涵蓋圖像與視頻的基準測試中，DAM全面超越現有模型，樹立了新的標桿。

如下表2所示，DAM在具有挑戰性的 PACO 基準測試中表現出色，創下了89高分。

而在零樣本評估在短語級數據集Flickr30k Entities上，新模型相比之前的最佳結果平均相對提升了7.34%。

此外，零樣本評估在詳細描述數據Ref-L4 上，DAM在基于短/長語言的描述指標上分別實現了39.5%和13.1%的平均相對提升。

在研究人員提出的DLC-Bench測試中，DAM在詳細局部描述方面優于之前的僅API模型、開源模型和特定區域VLM。

下表6所示，DAM在詳細局部視頻字幕方面刷新SOTA。

總而言之，DAM的優勢主要有三大點：更詳細、更準確；更少幻覺；多場景適用。

它的強大能力為眾多應用場景打開了大門，未來諸如數據標注、醫療影像、內容創作等領域，都可以加速落地。

作者介紹

Long (Tony) Lian

Long (Tony) Lian目前是UC伯克利電子工程與計算機科學博士研究生，師從Adam Yala教授和Trevor Darrell教授。

他的研究主要聚焦于，通過強化學習（RL）開發具備推理能力的大模型（LLM）與視覺語言模型（VLM）。

此前，他曾在英偉達研究院Deep Imagination Research團隊實習。

Long (Tony) Lian本科畢業于UC伯克利計算機科學專業，師從Stella Yu教授。