PRX Part 4：我们的数据策略

PRX 系列第四篇披露其数据策略：预训练数据由公开与内部数据集混合而成，用 VLM 重新生成图像长描述，再转为可流式训练的语料。团队将文本编码器从 T5Gemma 换成 Qwen3-VL，改为训练时实时计算文本 latent，在 7B 规模下仅损失约 3–4% 吞吐（30 天训练多约 1 天）。图像统一编码为 quality 92 的 JPEG，实测首次重编码几乎不可察觉。