Hugging Face Blog·· 2026-07-06AI 评分22
PRX Part 4:我们的数据策略
PRX Part 4: Our Data Strategy
AI 导读
PRX 系列第四篇披露其数据管线:预训练数据由公开与内部数据集混合组成,用 VLM 重新生成图像长描述,再转为可流式训练的语料。团队改用 Qwen3-VL 文本编码器并在训练中实时计算文本 latent,实测吞吐损失约 3–4%(30 天训练多花约 1 天)。图像统一以 JPEG quality 92 编码,经实测首次重编码几乎不可察觉。
打开原文 huggingface.co