연구진은 이미지 생성 데이터의 규모, 품질, 균형, 재캡셔닝을 최적화하는 기존 방식의 한계를 지적하며, 역량 중심 데이터 인프라를 제안했어요.
새로운 인프라는 텍스트-이미지 연결, 이미지 간 변환, 이미지-지식 연관을 위한 관계적 감독을 구축하고, 캡션 전문가를 활용해 다양한 작업과 세분화 수준에서 감독을 조정해요.
3B 및 6B 크기의 다중 모달 확산 모델을 훈련했고, CPI-벤치마크 평가 결과 광범위한 시각 커버리지, 다재다능한 렌더링, 역량 간 효과적인 전이 성능을 확인했어요.