PRX 第四部分：我们的数据策略
Photoroom 团队分享了用于预训练 PRX 模型的数据收集策略：他们混合使用公开数据集和内部数据集，使用视觉语言模型重新标注图像，并将最终语料库转换为 MDS 格式以实现流式传输。主要关注点是多样性和覆盖广度，而非对每张图像的完美主义。在数据处理和标注方面，他们使用 Lance 列式格式，训练则使用 MDS。文本编码使用 Qwen3-VL 实时进行，图像以 JPEG 格式存储，质量为 92，这相比 PNG 不会降低生成质量。
Photoroom
Hugging Face blog27.07 · 08:03