ImageInWords (IIW) ist ein iterativer, von Menschen beteiligter Annotationsprozess zur Erstellung äußerst detaillierter Bildbeschreibungen und zur Generierung eines neuen Datensatzes. Dieser Datensatz erzielt durch die Bewertung von automatisierten und parallel humanen (SxS) Metriken state-of-the-art Ergebnisse. Der IIW-Datensatz zeigt im Vergleich zu früheren Datensätzen und GPT-4V-Ausgaben in mehreren Dimensionen eine signifikante Verbesserung bei der Beschreibungsgenerierung, einschließlich Lesbarkeit, Vollständigkeit, Spezifität, Halluzinationen und Übereinstimmung mit menschlichen Beschreibungen. Darüber hinaus zeigen mit IIW-Daten feinabgestimmte Modelle eine hervorragende Leistung bei der Text-zu-Bild-Generierung und dem visuell-sprachlichen Schlussfolgern und erzeugen Beschreibungen, die dem Originalbild ähnlicher sind.