nocaps.org

是什么

nocaps（novel object captioning at scale）是一个面向图像字幕研究的学术基准，目标是评估模型在“野外”场景中描述新颖视觉概念的能力。不同于只在有限概念和大量配对图文数据上训练的传统图像描述任务，nocaps 强调模型能否从目标检测数据、图像级标签等替代监督来源中学习更多物体类别。

核心能力与数据

根据页面信息，该基准包含 15,100 张来自 Open Images 验证集和测试集的图像，以及 166,100 条人工生成 caption。训练数据由 COCO 图像-字幕对、Open Images 图像级标签和目标边界框组成。由于 Open Images 的类别数远多于 COCO，测试图像中接近 400 个物体类别在训练字幕中没有或很少出现，这正是 nocaps 的关键评测价值：检验图像字幕模型对长尾和未充分见过类别的泛化能力。

定价、集成与支持

页面提供 Explore、Download、Paper、Leaderboard、Code 等入口，并列出 ICCV 2019 论文和作者信息，但正文没有说明商业定价、API、SDK、在线推理服务或隐私政策。因此它更适合作为研究数据集和评测平台，而不是可直接接入业务的 AI 应用。中文支持也未见提及，页面内容为英文。

优缺点

优点是任务定位清晰、数据规模较大、caption 为人工生成，并且有论文、代码和排行榜支撑，便于研究团队进行可复现实验和横向比较。局限也很明显：它不是面向普通用户的一键式工具，不提供明确的产品化能力；对于缺少计算机视觉研究背景的用户，数据下载、模型训练和评测流程会有一定门槛。

适合谁与中国访问

nocaps 适合多模态模型、图像字幕、开放词汇视觉理解方向的研究者和工程团队，用于论文评测、模型基线复现和泛化能力分析。中国大陆访问情况正文无法判断，网络连通性标记为未知；支付问题基本不适用。若需要替代或补充基准，可关注 COCO Captions、Open Images、Flickr30k、Visual Genome 等数据集。