List your company

Image Captioning on MS COCO Karpathy (test)

149.1CIDErPaLI
-4.4123235.4418475.296115.15016Nov 22, 2021Jun 25, 2022Jan 27, 2023Aug 30, 2023Apr 2, 2024Nov 3, 2024Jun 7, 2025

Evaluation results

MethodLinks
PaLINumber of parameters=17B2022.09149.1——————————————————————
BEIT-3Number of parameters=1.9B2022.09147.6——————————————————————
OFA BaseEncoder Layers=6, Decoder Layers=62022.11146.7———0.4280.317—————0.258———————1———
PaLINumber of parameters=15B2022.09146.2——————————————————————
BLIP-2 ViT-g OPT2.7B#Trainable Params=1.1B, Fine-tuned=true2023.01145.8———0.437——————————————————
PaLINumber of parameters=3B2022.09145.4——————————————————————
OFANumber of parameters=0.9B2022.09145.3——————————————————————
OFA#Trainable Params=930M, Fine-tuned=true2023.01145.3———0.439——————————————————
BLIP-2 ViT-g OPT6.7B#Trainable Params=1.1B, Fine-tuned=true2023.01145.2———0.435——————————————————
GIT2Number of parameters=5.1B2022.09145——————————————————————
GITNumber of parameters=0.7B2022.09144.8——————————————————————
BLIP-2 ViT-g FlanT5XL#Trainable Params=1.1B, Fine-tuned=true2023.01144.5———0.424——————————————————
FIBER-GOLD-B#Pretrain Images=4M, CIDEr optimization=true2022.06144.4———0.4340.313—————0.246———————————
CoCaNumber of parameters=2.1B2022.09143.6——————————————————————
SimVLMhugePre-train #Images=1.8B2022.01143.3———40.6——————————————————
SimVLM Hugetrainable_parameters=632M2022.09143.3———0.4060.337—————0.254———————————
SimVLM2022.09143.3——————————————————————
SimVLM#Trainable Params=~1.4B, Fine-tuned=true2023.01143.3———0.406——————————————————
FIBER-B#Pretrain Images=4M, CIDEr optimization=true2022.06142.8———0.4280.31—————0.243———————————
LEMON-B#Pretrain Images=200M, CIDEr optimization=true2022.06142.7———0.4160.31—————0.251———————————
SimVLM_large# Params=783M, Pre-training Data=More Data2022.11142.6———40.3——————————————————
FREE-V-OArchitecture=Early Exit, Speed=1.75x2025.06142.5———0.41925.2—————30.8———————————
OFA_large# Params=472M, Pre-training Data=More Data2022.11142.2———42.4——————————————————
BLIP-2-V-FTraining=Semi-supervised, Speed=1.00x2025.06141.5———0.40425.2—————29.1———————————
X-VLM#Pretrain Images=4M, CIDEr optimization=true2022.06140.8———0.413——————————————————
VinVL-B#Pretrain Images=5.7M, CIDEr optimization=true2022.06140.4———0.4090.309—————0.251———————————
BLIP-2-V-OTraining=Semi-supervised, Speed=1.07x2025.06139.8———0.41725.5—————30.5———————————
LEMON Hugetrainable_parameters=675M2022.09139.1———0.4150.308—————0.241———————————
LEMONNumber of parameters=0.7B2022.09139.1——————————————————————
X2-VLM_large# Params=593M, Pre-training Data=More Data2022.11139.1———42.6——————————————————
EVLGenLLM=Vicuna-7b, Data=104M, steps=250k, Zero-shot=true2023.10139.1——————————————————————
SimVLMTraining=Semi-supervised2025.06138.3———0.38624.8—————29.8———————————
OFA_base# Params=182M, Pre-training Data=More Data2022.11138.2———41——————————————————
VITCAP#Pretrain Images=4M, CIDEr optimization=true2022.06138.1———0.4120.301—————0.241———————————
FlamingoNumber of parameters=80B2022.09138.1——————————————————————
Flamingo#Trainable Params=10.6B, Fine-tuned=true2023.01138.1——————————————————————
BLIP-2LLM=Vicuna-7b, Data=104M, steps=330k, Zero-shot=true2023.10138——————————————————————
EVLGenLLM=Vicuna-7b, Data=11M, steps=150k, Zero-shot=true2023.10138——————————————————————
EVLGenLLM=Vicuna-7b, Data=104M, steps=150k, Zero-shot=true2023.10137.9——————————————————————
EVLGenLLM=Vicuna-7b, Data=104M, steps=90k, Zero-shot=true2023.10137.8——————————————————————
MuEArchitecture=Early Exit, Speed=1.41x2025.06137.5———0.37923.6—————28.5———————————
MuEBackbone=OFA Base2022.11137———0.4160.306—————0.244———————-40.2———
BLIPViT-LPre-train #Images=129M2022.01136.7———40.4——————————————————
BLIP#Trainable Params=446M, Fine-tuned=true2023.01136.7———0.404——————————————————
X2-VLM_large# Params=593M, Pre-training Data=4M2022.11136.7———42——————————————————
X2-VLM_base# Params=255M, Pre-training Data=More Data2022.11136.1———41.7——————————————————
LEMONlargePre-train #Images=200M2022.01135.7———40.6——————————————————
SimVLM-B#Pretrain Images=1.8B, CIDEr optimization=false2022.06134.8———0.390.329—————0.24———————————
SimVLM_base# Params=273M, Pre-training Data=More Data2022.11134.8———39——————————————————
FlamingoTraining=Semi-supervised2025.06134.1———0.38524.1—————27.8———————————
OmniVL# Params=288M, Pre-training Data=More Data2022.11133.9———39.8——————————————————
FIBER-GOLD-B#Pretrain Images=4M, CIDEr optimization=false2022.06133.6———0.4030.307—————0.236———————————
X2-VLM_base# Params=255M, Pre-training Data=4M2022.11133.6———41——————————————————
LEMONbasePre-train #Images=200M2022.01133.3———40.3——————————————————
BLIPCapFilt-LPre-train #Images=129M2022.01133.3———39.7——————————————————
BLIPCapFilt-L#Pretrain Images=129M, CIDEr optimization=false2022.06133.3———0.397——————————————————
LEMON-B#Pretrain Images=200M, CIDEr optimization=false2022.06133.3———0.4030.302—————0.233———————————
BLIP CapFilt-Ltrainable_parameters=224M2022.09133.3———0.397——————————————————
X-VLM#Pretrain Images=4M, CIDEr optimization=false2022.06133.1———0.398——————————————————
LeeBLIPArchitecture=Early Exit, Speed=1.59x2025.06132———0.37422.8—————27.6———————————
BLIPPre-train #Images=129M2022.01131.4———39.4——————————————————
BLIP_base# Params=240M, Pre-training Data=More Data2022.11131.4———39.4——————————————————
OFATraining=Semi-supervised2025.06130.3———0.37525.2—————31.1———————————
BLIPPre-train #Images=14M2022.01129.7———38.6——————————————————
VinVLPre-train #Images=5.7M2022.01129.3———38.2——————————————————
VinVL-B#Pretrain Images=5.7M, CIDEr optimization=false2022.06129.3———0.3820.303—————0.236———————————
VinVL#Trainable Params=345M, Fine-tuned=true2023.01129.3———0.382——————————————————
DeeCapBackbone=OFA2022.11129———0.3870.291—————0.225———————-38———
OFA TinyEncoder Layers=4, Decoder Layers=42022.11128.7———0.3810.292—————0.231———————-33———
FIBER-B#Pretrain Images=4M, CIDEr optimization=false2022.06128.4———0.3910.304—————0.231———————————
METER-CLIP-B#Pretrain Images=4M, CIDEr optimization=false2022.06128.2———0.3880.3—————0.23———————————
OSCAR Largetrainable_parameters=338M2022.09127.8———0.3740.307—————0.235———————————
OSCAR#Trainable Params=345M, Fine-tuned=true2023.01127.8———0.374——————————————————
CaMELtrainable_parameters=76M2022.09125.7———0.3910.294—————0.222———————————
BLIP-2 + MAFAEvaluation Protocol=Zero-shot2023.12125.4———0.376——————————————————
VITCAP#Pretrain Images=4M, CIDEr optimization=false2022.06125.2———0.3630.293—————0.226———————————
UFO-B#Pretrain Images=4M, CIDEr optimization=false2022.06122.8———0.360.289—————0.222———————————
SMALLCAP d=16, Largetrainable_parameters=47M, dimensionality=16, decoder=Large2022.09121.8———0.3720.283—————0.215———————————
SMALLCAP d=16, Medtrainable_parameters=22M, dimensionality=16, decoder=Medium2022.09120.7———0.3650.281—————0.216———————————
I-Tuning Mediumtrainable_parameters=44M2022.09120———0.3550.288—————0.22———————————
PABEE-BLIPArchitecture=Early Exit, Speed=1.45x2025.06119.8———0.34221.4—————26.2———————————
SMALLCAPtrainable_parameters=7M2022.09119.7———0.370.279—————0.213———————————
I-Tuning Largetrainable_parameters=95M2022.09119.4———0.3480.293—————0.224———————————
SMALLCAP d=8, Basetrainable_parameters=3.6M, dimensionality=8, decoder=Base2022.09119.1———0.3670.278—————0.211———————————
BLIP-2Evaluation Protocol=Zero-shot2023.12118.8———0.356——————————————————
SMALLCAP d=4, Basetrainable_parameters=1.8M, dimensionality=4, decoder=Base2022.09117.4———0.360.274—————0.21———————————
I-Tuning Basetrainable_parameters=14M2022.09116.7———0.3480.283—————0.218———————————
DeeBLIPArchitecture=Early Exit, Speed=1.65x2025.06115.1———0.32820.9—————25.3———————————
ClipCaptrainable_parameters=43M2022.09113.1———0.3350.275—————0.211———————————
Enc-DecPre-train #Images=15M2022.01110.9——————————————————————
PABEEBackbone=OFA2022.11105.8———0.3140.268—————0.21———————-16.3———
DeeBERTBackbone=OFA2022.11102.1———0.3010.263—————0.205———————-15.5———
L-versecaption_truncation=false2021.111.816———0.2760.236————0.43928.9———————————
mPLUGData=14M, Optimization=CIDEr2022.051.551———46.532—————26———————————
OFAOptimization Objective=CIDEr Optimization2022.021.549———0.4490.325—————0.266———————————
OFA LargeOptimization Objective=CIDEr Optimization2022.021.507———0.4360.322—————0.262———————————
SMOLA-PALI-XFTCategory=Generalist, Fine-tuned=true2023.121.498——————————————————————
OFAData=18M, Optimization=CIDEr2022.051.496———43.531.9—————26.1———————————
PaLI-XParameters=55B, Fine-tuning=per-task, OCR_pipeline=without2023.051.492——————————————————————
PaLI-XNumber of parameters=55B2023.051.492——————————————————————