PRX Part 4：我们的数据策略

Hugging Face 发布 PRX 系列第四篇，详解其数据策略：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，再转为可流式语料。团队用 Lance 构建、MDS 流式训练，图像统一编码为 JPEG quality 92，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，实测吞吐仅损失约 3–4%。