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——比例看起来很小，
，，，，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。。
。」

此次广东站活动，
，，，，驻华外交官深入广州、深圳、佛山等地，
，，，，通过考察文博场馆、历史文化街区及高科技企业，
，，，，全方位感知广东在文化遗产保唬；ぁ⑽穆霉ひ瞪都靶媛湔裥朔矫娴淖吭匠杉ā！
。