想请教下作者，为什么评估 caption 模型的方法是，用这个模型产生的caption 来做 pretrain，这里面的考虑是什么？直接评估模型产生的caption 质量，比如使用 CaptionQA (https://arxiv.org/abs/2511.21025) 或者 Caparena (https://arxiv.org/abs/2503.12329) 这样的方式是不太准吗。
想请教下作者，为什么评估 caption 模型的方法是，用这个模型产生的caption 来做 pretrain，这里面的考虑是什么？直接评估模型产生的caption 质量，比如使用 CaptionQA (https://arxiv.org/abs/2511.21025) 或者 Caparena (https://arxiv.org/abs/2503.12329) 这样的方式是不太准吗。