arXiv new/cross; ICML 2026; caption-data QA · P2 · 2026-07-18

Symbal：它和通用视觉自监督的关系在于：针对 MLLM 生成 caption 中和视觉特征绑定的系统性错配，适合做图文预训练数据清洗工具

中高相关；详见方法、贡献和实验边界。

Symbal: Detecting Systematic Misalignments in Model-Generated Captions　arXiv new/cross; ICML 2026; caption-data QA　原文链接

编号2607.15216 优先级P2 类别arXiv new/cross; ICML 2026; caption-data QA 会议arXiv new/cross; ICML 2026; caption-data QA 方法针对 MLLM 生成 caption 中和视觉特征绑定的系统性错配，适合做图文预训练数据清洗工具来源arXiv / OpenReview

先说结论。它和通用视觉自监督的关系在于：针对 MLLM 生成 caption 中和视觉特征绑定的系统性错配，适合做图文预训练数据清洗工具。中高相关；详见方法、贡献和实验边界。

**Figureure 1 · Given an input dataset with thousands of images and paired MLLM-genera**Figure 1. Given an input dataset with thousands of images and paired MLLM-generated captions, the systematic misalignment detection task involves identifying recurring textual errors and associated visual features. Here, we provide example image-caption pairs from two datasets in SYMBALBENCH with expected outputs.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Symbal 的方法或实验，请结合正文精读段落一起看。

**Figureure 2 · SYMBAL detects systematic misalignments with a twostage procedure**Figure 2. SYMBAL detects systematic misalignments with a twostage procedure. The first stage involves detecting erroneous textual facts, and the second stage involves detecting associated visual features.这张图来自论文 PDF 的结构化抽取。当前用于辅助理解 Symbal 的方法或实验，请结合正文精读段落一起看。

核心问题

它和通用视觉自监督的关系在于：针对 MLLM 生成 caption 中和视觉特征绑定的系统性错配，适合做图文预训练数据清洗工具。

方法拆解

针对 MLLM 生成 caption 中和视觉特征绑定的系统性错配，适合做图文预训练数据清洗工具

主要贡献

中高相关；详见方法、贡献和实验边界。

实验看点

实验部分建议重点看两类证据：一是作者是否把方法收益和更强数据、更长训练、更大模型区分开；二是跨模型、跨数据或跨任务迁移是否还能保留同样趋势。

局限与读法

这篇论文的结论需要结合任务设置、训练数据规模和消融实验一起看；不要只凭单个指标判断它对通用视觉表征的价值。