PRX Part 4：我们的数据策略

PRX 系列第 4 篇披露其数据策略：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。团队用 Lance 做数据构建与筛选、MDS 做流式训练，并将文本编码器从 T5Gemma 换成 Qwen3-VL，改为训练中实时计算文本 latent，实测吞吐损失约 3–4%（30 天训练多约 1 天）。图像统一以 JPEG quality 92 编码。