PRX, Teil 4: Unsere Datenstrategie
Das Team von Photoroom erläuterte ihre Strategie zur Datensammlung für das Vortraining des PRX-Modells: Sie nutzen eine Mischung aus öffentlichen und internen Datensätzen, versehen Bilder mit neuen Beschriftungen mithilfe eines visuellen Sprachmodells (VLM) und konvertieren das endgültige Korpus in das MDS-Format für Streaming. Der Schwerpunkt liegt auf Diversität und Breite der Abdeckung statt auf Perfektion für jedes einzelne Bild. Für die Datenverarbeitung und -kennzeichnung verwenden sie das spaltenorientierte Lance-Format und für das Training MDS (Mosaic Data Shards). Die Textkodierung erfolgt on-the-fly mit Qwen3-VL, und Bilder werden als JPEG mit Qualität 92 gespeichert, was die Generierungsqualität im Vergleich zu PNG nicht beeinträchtigt.
Photoroom