फोटोरूम अपने PRX मॉडल के लिए डेटा पाइपलाइन का विवरण देता है, जो सार्वजनिक और आंतरिक स्रोतों से प्रशिक्षण डेटा को एकत्र करता है, VLM के साथ छवियों का पुनः कैप्शन बनाता है, और परिणाम को स्ट्रीम करने योग्य कॉरपस में परिवर्तित करता है।
- प्री-ट्रेनिंग के दौरान टीम प्रति-छवि सौंदर्य की तुलना में डेटासेट विविधता को प्राथमिकता देती है ताकि मॉडल को केवल पॉलिश करने के बजाय दृश्य संरचना सिखाई जा सके।
- लंबे, सटीक विवरणों को सुनिश्चित करने के लिए कैप्शन VLM द्वारा उत्पन्न किए जाते हैं, जिससे मॉडल पाठ और लोगो को नियंत्रणीय विशेषताओं के रूप में मान सके।
- प्रेडिकेट पुशडाउन और वेक्टर खोज का समर्थन होने के कारण फीचर इंजीनियरिंग और चयन के लिए लैंस का उपयोग किया जाता है, जबकि प्रशिक्षण के दौरान स्ट्रीमिंग को मोसाइक डेटा शार्ड्स (MDS) संभालता है।
- पाठ लेटेंट्स को पहले से गणना किए जाने के बजाय Qwen3-VL का उपयोग करके फ्लाइंग पर गणना किया जाता है, जिससे 3–4% थ्रूपुट लागत आती है लेकिन लचीले एन्कोडर परिवर्तन की अनुमति मिलती है।
- छवियों को JPEG के रूप में गुणवत्ता 92 पर संग्रहीत किया जाता है, जिसे PNG की तुलना में अदृश्य पाया गया और जिसने मॉडल जनरेशन में कोई भेद नहीं दिखाया।
यह दृष्टिकोण डेटा प्रारूप और पाठ एन्कोडिंग में लचीलेपन को बनाए रखते हुए 7B मॉडल के प्री-ट्रेनिंग के लिए एक हल्का, स्केलेबल शुरुआती बिंदु प्रदान करता है।