ImageInWords (IIW) は、人間が参加する反復的なアノテーションフレームワークであり、超詳細な画像記述を作成し、新しいデータセットを生成するために使用されます。このデータセットは、自動化と人間の並列（SxS）指標による評価を通じて、最先端の結果を実現します。IIWデータセットは、記述生成において、可読性、包括性、特異性、幻覚、人間との類似性など、複数の次元において、従来のデータセットやGPT-4Vの出力よりも大幅な改善を示しています。さらに、IIWデータでファインチューニングされたモデルは、テキストから画像への生成や視覚言語推論において優れたパフォーマンスを発揮し、元の画像により近い記述を生成できます。