给图像和视频的指定区域生成详细描述的多模态模型，支持局部定位的细粒度 captioning，适合需要精确区域理解与描述的场景。

用强化学习（GRPO）训练视觉语言模型生成更细粒度、更密集的图像描述，解决普通 caption 模型描述过于笼统的问题。