Photoroom

PRX, часть 4: наша стратегия работы с данными

Команда Photoroom рассказала о стратегии сбора данных для предобучения модели PRX: используется смесь публичных и внутренних датасетов, изображения повторно описываются (рекапшенатся) с помощью VLM, а финальный корпус конвертируется в формат MDS для потоковой передачи. Основной упор сделан на разнообразие и широту охвата, а не на перфекционизм каждого отдельного изображения. Для обработки и разметки данных используется колоночный формат Lance, а для обучения — MDS (Mosaic Data Shards). Текстовая кодировка выполняется на лету с помощью Qwen3-VL, а изображения хранятся в JPEG с качеством 92, что не ухудшает качество генерации по сравнению с PNG.

Photoroom