用途
本技能用于低资源美洲原住民语言的图像描述任务。任务给定带有语言元数据（语言、ISO 639-3 代码、文化）的小尺寸、文化特定图像，以及少量带描述的可见训练样本，要求为每个评估项生成一条对应语言的描述字符串。
输入与交付物
输入包括：评估项（语言、ISO 639-3 代码、文化）与 uint8 RGB 图像（例如 64x64x3）；可见训练行包含 caption、iso_lang、has_image、images 字段，其中部分行仅有 caption 而无图像。交付物为字符串列表，每个评估项一条非空字符串，使用该项对应语言。captions.fit_predict 会将字符串截断至 1000 字符，具体以任务声明为准。
质量指标
采用平均句子 chrF++，越高越好。计算方式为 sacrebleu CHRF（word_order=2），即字符 1-6-gram、词 1-2-gram、beta 2、区分大小写，取值 0-100，与参考描述对比。基线为各语言可见训练描述的 medoid。
可用工具
来自 scilib 的 captions 模块：chrf、mean_chrf（操作符 caption_chrf_score）、medoid（caption_medoid）、consensus_caption（caption_consensus_string）、mbr_caption（caption_mbr_clauses）、by_language、fit_predict(train_rows, items, method="consensus"|"mbr"|"medoid")，后者为每种语言生成一条字符串，仅使用该语言的描述。可用 loo_score / loo_compare / loo_lengths（操作符 caption_holdout_chrf_estimate）在未见描述上估计策略，并将 n_train 设为真实训练规模。
来自 scilib 的 clip_retrieval 模块：available()、provenance()、encode_images（image_embedding_clip）、retrieve_captions(train_rows, train_images, eval_items, eval_images, k=1, selection="nearest"|"caption_medoid", fallback=...)（image_caption_retrieval_clip），实现同语言余弦最近邻描述查找，仅有 caption 的行会被跳过。
权重为 open_clip_vit_b32（通过 open_clip 使用 OpenAI CLIP ViT-B/32，需要 torch）。可用 scienceclaw_tools(operation=weights) 与 clip_retrieval.available() 检查；不会隐式下载任何内容，需自行核实许可证。使用时须披露：这是一个外部预训练编码器，不接触任何描述或标签。
使用方式与路线
路线一：语言级描述，使用 medoid，或使用针对该语言描述池最大化平均 chrF++ 的 consensus/MBR 字符串。路线二：图像条件检索，可选 k>1 且 selection="caption_medoid"。当每种语言的描述很少时，检索得分可能低于 medoid；应通过训练行上的留一法 chrF++ 来选择。
规则与限制
不得跨语言合并描述。retrieve_captions 对没有带图描述的语言返回空字符串，因此需传入 fallback=（例如该语言的 medoid）。不得使用目标描述。Consensus 与 MBR 字符串优化的是 n-gram 重叠，并不符合语法，报告中需说明这一点。每个评估项一条字符串，保持输入顺序。不得仅凭像素统计声称具备图像理解能力。