Photoroom 详解 PRX 图像模型的数据策略：从数据源到去重过滤的完整管线

Photoroom 发布 PRX 系列第四篇博客，详解其图像生成模型 PRX 的预训练数据策略。数据管线混合公开与内部数据集，用 VLM 重写长标题，以 Lance 构建、MDS 流式训练，并采用 JPEG 质量 92 存储、感知哈希去重和基于标题的轻量过滤。作者对比了多个标题生成模型，最终选用 Qwen3-VL-8B，并分享了碎片化、跳过列表等工程经验。