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 。。。。」
陈忠岳体现，，，，，中国移动将推进天下一体化算力网建设，，，，，提供即取即用、普惠易用的算力服务 。。。。打造领先的算力网络，，，，，增强枢纽节点、热门区域间全光网高速直联，，，，，增进多元算力的统一纳管与智能调理，，，，，实现算力互联互通和供需匹配 。。。。加速AI数据中心建设，，，，，突出快速交付、高效运营、绿色低碳特色，，，，，结构吉瓦级数据园区 。。。。升级AI云算服务，，，，，牵引构建多元异构国产算力生态，，，，，更好支持大模子训推、智能体生长 。。。。