PRX, Deel 4: Onze Datastrategie
Het Photoroom-team deelde hun strategie voor het verzamelen van data voor het vooraf trainen van het PRX-model: ze gebruiken een mix van openbare en interne datasets, herschrijven afbeeldingen met een VLM, en zetten het uiteindelijke corpus om naar MDS-formaat voor streaming. De focus ligt op diversiteit en brede dekking in plaats van perfectionisme voor elke individuele afbeelding. Voor gegevensverwerking en labeling gebruiken ze het Lance-kolomformaat, en voor training MDS (Mosaic Data Shards). Tekstcodering gebeurt on-the-fly met Qwen3-VL, en afbeeldingen worden opgeslagen in JPEG met kwaliteit 92, wat de generatiekwaliteit niet vermindert in vergelijking met PNG.
Photoroom
Hugging Face blog27.07 · 08:03