用途：从已加载场景生成图像+字幕对和场景图，用于训练视觉语言模型（VLM）。它是 Isaac Sim「Action and Event Data Generation」功能的子技能，对应 isaacsim.replicator.caption.core 扩展，本身不进行仿真。
主要能力：先基于 3D 真值构建场景图（节点为物体，边为空间关系，形成以地板为根的 Support Tree），再调用 NVIDIA NIM LLM 生成字幕，包括 brief（简短描述）、global（整体场景描述，UI 中标注为 Full Caption）、QA（问答对）。输出场景图（完整/剪枝）与字幕文件。
使用方式：三种途径。一、UI 面板：启用扩展后打开 Tools > Action and Event Data Generation > VLM Scene Captioning，加载 stage USD，输入 API key，选择字幕级别，设置相机与输出路径后生成。二、Python CaptionAPI：设置模型参数、检查模型可用性、加载配置，并必须通过 ReplicatorCaptionSettings 设置相机与输出路径，再异步调用 get_captions()。三、作为其他 SDG 运行的逐帧写入器：在 Actor SDG 中加入 SceneGraphWriter，或在 Object SDG 中配置 caption_writer 与 output_switches.caption。
环境要求：已安装 Isaac Sim 及对应应用，需 $ISAAC_SIM_DIR、$WORKSPACE_DIR，生成字幕需 $NVIDIA_API_KEY（仅导出场景图不需要）。
限制：字幕依赖 NVIDIA_API_KEY，NIM 额度有限且会过期；独立配置的 version 必须与已安装扩展 settings.VERSION 完全一致（非 [package] 版本）；load_config_file() 不应用 camera_prim_path/output_path，需另行设置；无语义标签的 prim 不会被标注器捕获，也不会进入场景图；camera_prim_path 必须指向真实相机。输出应写入 $WORKSPACE_DIR。具体配置项与输出路径详见扩展参考文档。