Photoroom describe la tubería de datos para su modelo PRX, que ensambla datos de entrenamiento a partir de fuentes públicas e internas, vuelve a etiquetar imágenes con un VLM y convierte el resultado en un corpus transmitible.
- El equipo prioriza la diversidad del conjunto de datos sobre la estética por imagen durante el preentrenamiento para enseñar estructura visual en lugar de solo pulido.
- Las descripciones se generan mediante un VLM para garantizar descripciones largas y precisas que permitan al modelo tratar el texto y los logotipos como atributos controlables.
- Lance se utiliza para la ingeniería de características y curación debido a su soporte para empuje de predicados y búsqueda vectorial, mientras que Mosaic Data Shards (MDS) maneja la transmisión durante el entrenamiento.
- Los latentes de texto se calculan sobre la marcha usando Qwen3-VL en lugar de precalcularlos, lo que resulta en un costo de rendimiento del 3–4% pero permite cambios flexibles en el codificador.
- Las imágenes se almacenan como JPEG con calidad 92, lo cual se midió como imperceptible en comparación con PNG y produjo generaciones de modelo indistinguibles.
Este enfoque proporciona un punto de partida ligero y escalable para preentrenar un modelo de 7B mientras mantiene flexibilidad en el formato de datos y la codificación de texto.