Photoroom PRX Part 4: 数据策略与训练语料管线

Photorium 发布了 PRX 系列第 4 篇，讲自己怎么拼 PRX 的预训练数据。语料来自公开与内部数据集的混合，统一用 VLM 做长 caption；探索阶段把数据存成 Lance，训练时再转成 MDS shard，顺便做了分辨率与长宽比分桶、基于 perceptual hash 的去重、以及文本分类过滤（视觉/文字/NSFW）。