재캡션된 이미지-텍스트 감독 분포를 위한 매칭 예산 감사 프레임워크
A Matched-Budget Audit Framework for Recaptioned Image-Text Supervision Distributions
재캡션된 이미지-텍스트 코퍼스는 이제 텍스트-투-이미지(T2I) 학습의 표준이 되었으며, 비전-언어 모델(VLM) 캡셔너가 희소한 대체 텍스트(alt-text)를 밀도 높은 설명으로 대체하고 있다. 재캡션된 코퍼스는 문서화된 캡셔닝 정책($π$), 캡셔너($V_c$), 소스 코퍼스($C$)에 의해 유도된 감독 분포(supervision distribution)이다. 길이 상관 프록시(proxy)는 캡션 문체(register) 관련 아티팩트를 포착하지 못하고, 하류(downstream) T2I 벤치마크는 코퍼스를 학습 선택지와 뒤섞어버리기(entangle) 때문에, 이 분포는 코퍼스 규모에서 감사하기가 어렵다. 본 논문은 재캡션된 감독 분포 $D_{π,V_c,C}$에 대해 재사용 가능한 매칭 예산 감사 프레임워크를 제안한다. 이 프레임워크는 $B = 64$로 고정된 텍스트 예산에서 프롬프트 측 커버리지, 이미지 조건부 충실도, 캡션 표면 건강성(surface health)에 걸친 5축 프로파일을 보고하며, 주장된 통제 가능 기본 단위(controllable basic unit, CBU)를 공통 주장 단위로 사용한다. 우리는 5개의 공개 소스 코퍼스에 대한 7개의 짝지어진 비교를 통해 이 프레임워크를 구체화한다. 4개의 교차 코퍼스 쌍 전반에서, 공개된 표면(surface)은 Qwen과 Gemma 판정자(Judge) 모두에서 캡션당 지지되는 CBU를 $+3.39$에서 $+6.36$까지 끌어올리며, CC12M에서는 동일한 프레임워크가 두 판정자와 네 가지 예산 전반에서 일관되게 나타나는 긴/밀집(long-vs-dense) 프런티어를 드러낸다. 우리는 감사된 다중 소스 재캡션 코퍼스(약 4억 9천만 개)를 감사 아티팩트 번들과 함께 공개한다.