SPRIGHTは、空間関係に焦点を当てた大規模なビジョン言語データセットとモデルです。600万枚の画像を再記述することでSPRIGHTデータセットを構築し、記述における空間句を大幅に増加させました。本モデルは、多数の物体を含む444枚の画像を用いてファインチューニングされており、空間関係を持つ画像の生成を最適化しています。SPRIGHTは複数のベンチマークテストにおいて、空間的一貫性の最先端レベルを達成し、同時に画像品質スコアも向上させています。