PRX 第四部分：我们的数据策略

Photoroom 的 PRX 系列第四篇，前几篇分别涉及模型架构、训练设计和 24 小时速通，本篇聚焦数据。文中概述其数据流水线：从公开和内部数据集的混合中汇集训练数据，用 VLM 重新为图像生成描述，并转化为可流式读取的语料用于训练 PRX；还介绍了以覆盖面和多样性为目标的预训练数据原则，以及作者会做得不同的地方。