编辑｜Panda
2012 年，，，，AlexNet 在 ImageNet 竞赛上以压倒性的优势拿下第一，，，，正式开启深度学习时代。。。以后十余年，，，，ImageNet 成为盘算机视觉研究的「标准科场」：无论是 VGG、ResNet，，，，照旧 ViT，，，，研究者们都在这统一张卷子上比拼，，，，看谁的模子精度更高。。。
但这张卷子，，，，现在已经没有评分的意义了。。。
今年，，，，一批顶尖论文相继宣告：它们在 ImageNet 上的天生质量评分（FID），，，，已经低于真实图片自己的评分。。。也就是说，，，，天生的假图片，，，，在统计上比真图片「更像真图片」。。。卷子刷穿了，，，，分数失真了，，，，这个沿用十年的基准彻底饱和。。。
基准饱和意味着什么？？？？简朴来说：你不再能通太过数判断一个天生模子是真的好，，，，照旧在「投契取巧」地优化指标。。？？？？蒲Ь赫，，，需要一把新的尺子。。。
就在前两天，，，，斯坦福大学等机构宣布了一个名为GPIC（Giant Permissive Image Corpus，，，，巨型开放图像语料库）的数据集。。。
项目共一作者 Keshigeyan Chandrasegaran 的推文
该项目由李飞飞团队主导构建，，，，焦点孝顺者为 Keshigeyan Chandrasegaran 和 Kyle Sargen，，，，包括整整1 亿对图像-文本数据，，，，总计约28 万亿像素，，，，并已全量托管在 Hugging Face 上，，，，任何人都可以免费下载使用。。。
旧规则失灵了
要明确 GPIC 为什么主要，，，，先要明确目今的视觉天生研究面临哪些逆境。。。研究者们在使用已有数据集时，，，，遭遇了三个相互叠加的贫困。。。
第一个贫困：旧基准 ImageNet 已经对不上现实
今天的图像天生模子，，，，训练用的是数亿张带有自然语言形貌的图片，，，，天生时也靠文字提醒词驱动。。。而 ImageNet 是一个以「分类标签」为焦点的数据集，，，，它对应的是另一个时代的研究范式。。。拿一张用文字提醒天生的图片，，，，去和一个以标签分类为目的设计的数据集做较量，，，，实质上是「用语文考卷评数学效果」。。。
第二个贫困：大大都工业级数据集差池外开放
Stable Diffusion、Midjourney、Sora 这些一线产品背后，，，，训练数据要么是商业神秘，，，，要么涉及版权纠纷，，，，从未果真。。。学术界要复现、较量、刷新这些模子，，，，险些无从下手。。。
第三个贫困：纵然有开放数据集，，，，也不稳固
现在学界常用的开放数据集（如 LAION、DataComp），，，，普遍接纳「URL 索引」的方式分发——也就是说，，，，研究者下载到的，，，，着实是一份图片网址清单，，，，还得自己去抓取原始图片。。。随着时间推移，，，，大宗链接失效，，，，差别研究团队最终用到的「统一个数据集」着实已经大相径庭，，，，实验效果自然无法可靠较量。。。
GPIC 的设计，，，，正是针对这三重失灵逐一作答。。。
论文问题：GPIC: A Giant Permissive Image Corpus for Visual Generation论文地点：https://arxiv.org/abs/2605.30341项目地点：https://gpic.stanford.edu/
来自 ImageNet 作者的接班人之作
构建 GPIC 的团队，，，，来自斯坦福大学，，，，包括李飞飞、吴佳俊以及他们的多位学生。。。
李飞飞是「ImageNet 时代」的创立者之一。。。2009 年，，，，她主导宣布了第一版 ImageNet，，，，厥后由此衍生出 ILSVRC 视觉识别挑战赛，，，，催生了 AlexNet 等一系列里程碑式事情，，，，被普遍以为是深度学习革命的主要推手之一；；；；；；她也因此还被《时代》杂志和 BBC 等许多媒体称为是 AI 的教母（Godmother of AI）。。。
图源：Time 官网
她现在是斯坦福人工智能实验室（SAIL）的联合主任，，，，同时也是 3D 空间智能公司 World Labs 的首创人。。。
这一次，，，，她向导团队打造的是视觉天生时代的「新 ImageNet」。。。
GPIC 是什么，，，，怎么做出来的
GPIC 的构建，，，，经由了四个严酷的流程阶段。。。
只收罗有授权的图片
研究团队仅从 Flickr 和 Wikimedia 两个平台网络图片，，，，并严酷限制在 CC BY、CC0、公有领域和无已知限制这四类授权规模内。。。这意味着 GPIC 里的每一张图片，，，，都有明确的执法依据，，，，既可用于学术研究，，，，也可用于商业产品开发，，，，无需担心版权风险。。。初始网络到的图片约 1.1 亿张，，，，其中 87.7% 来自 Flickr，，，，12.3% 来自 Wikimedia。。。
过滤低质量与有害内容
研究团队借助视觉语言模子 Qwen3-VL-4B，，，，自动识别并移除分辨率过低、严重模糊、过曝、近乎空缺，，，，以及被判断为不清静的图片。。。这两类过滤划分镌汰了约 0.3% 和 0.35% 的图片——比例看起来很。。。，，，但在亿级规模下，，，，这意味着筛掉了数十万张问题图片。。。
第三步：去重
互联网图片有大宗的「重复」征象，，，，包括统一场景的连拍、被转发的心情包、略有差别的翻国界。。。研究团队使用了一种名为 SSCD 的图片复制检测模子，，，，盘算每两张图片之间的特征相似度，，，，并通过「守旧去重」战略删除高置信度重复项。。。最终，，，，约 101.3 万张图片留下，，，，其中不含任何完全相同的副本。。。
第四步：天生高质量形貌文字
古板图片数据集的文字形貌（如 alt text）质量往往很差，，，，充满着「photo.jpg」「未命名」之类无意义的标注。。。GPIC 则对每一张图片，，，，都用 Qwen3-VL-4B 重新天生磷七质量的人工智能形貌，，，，且形貌凭证「标签」「短」「中」「长」四种粒度漫衍。。。天生 1 亿张图片的形貌，，，，共消耗约 1500 个 H100 GPU·小时。。。
最终的 GPIC，，，，包括 1 亿张训练图片、20 万张验证图片和 100 万张测试图片，，，，总体积约 12.9 TB，，，，整理成 8000 个分片（shard），，，，可以直接流式传输用于大规模漫衍式训练。。。
数据集之外，，，，GPIC 还附带了一套新的评估协议，，，，这同样是此次宣布的主要孝顺。。。
旧的评估指标 FID（Fréchet Inception Distance）依赖一个 2015 年的图像分类网络 Inception-v3 来提取图片特征。。。这个网络从未为「评估天生质量」而设计，，，，它的特征空间和人类对图像质量的感知保存显着的脱节，，，，导致 FID 评分容易被「刷榜」——模子可以在不真正提升感知质量的情形下降低 FID 数值。。。
GPIC 的新基准接纳FD-DINOv2作为主要指标。。。
DINOv2 是 Meta 于 2023 年宣布的自监视视觉特征模子，，，，其特征体现与人类对图像相似性的判断更为一致。。。
研究者们验证发明：现在所有主流天生模子（包括那些用了 DINOv2 特征训练的模子），，，，在 FD-DINOv2 上的分数仍然高于真实图片，，，，说明这把尺子尚有足够的「余量」，，，，不会很快被刷穿。。。
更主要的一点刷新是：GPIC 的基准评分是与一个 自力的百万张测试集 举行较量，，，，而不是和训练集较量。。。这个设计阻止了一个严重的误差——若是拿天生图片和训练集较量，，，，模子只需「记着」训练数据就能获得好分数，，，，而无法反映真正的泛化能力。。。
给未来的研究者：参考基线
为了利便厥后者对齐实验效果，，，，研究团队还在 GPIC-Full（1 亿张训练集）上训练了一个参考基线模子。。。
这个基线使用了JiT（Just image Transformers）流匹配架构，，，，搭配 1.1B 参数的 Transformer 主干网络，，，，以 256×256 分辨率在单节点 8 张 H100 上训练约 40 小时（约一个 epoch）。。。最终，，，，在最优的指导强度（CFG=6.25）下，，，，基线模子的 FD-DINOv2 评分为 76.25。。。这个数字并不精彩，，，，但它的价值在于：所有研究者都可以以此为起点，，，，公正地较量各自的刷新效果。。。
研究团队还提供了三个差别规模的训练集版本：GPIC-Nano（100 万张）、GPIC-Lite（1000 万张）和 GPIC-Full（1 亿张），，，，利便资源有限的团队在小规模上迭代，，，，有足够算力的团队再在完整数据集上验证。。。
一个开放基础设施的意义
视觉天生领域正在履历一场「军备竞赛」。。。Sora、Imagen、Stable Diffusion 3……前沿模子的能力每隔几个月就会跃升一级。。。但这场竞赛，，，，在相当水平上是不透明的：每个实验室都在自己的数据上训练，，，，用自己的指标评估，，，，宣布时只挑选对自己有利的数字汇报。。。
果真、可复现的基准，，，，是科学前进的基础。。。学界在 NLP 领域已经为此支付了多年起劲，，，，逐步建设起了 GLUE、SuperGLUE、BIG-bench 等相对标准化的评测系统。。。视觉天生，，，，迟迟缺少这样的基础。。。
GPIC 的宣布是一次为这个领域补课的实验，，，，是为了让整个领域有一个配合的起跑线。。。正如李飞飞团队在论文中所写的：「我们希望 GPIC 能够推动视觉天生建模领域果真、可及、可复现的研究。。。」
今天，，，，我们就来详细聊聊火疖子是个什么问题以及怎么用科学的手段拿捏它。。。