软件先容

520886·mooc免费版使用指南

第一步：导入文件

翻开软件，，点击"?添加 520886·mooc免费版"按钮，，从电脑中选择《520886·mooc免费版》文件，，或直接将其拖拽至软件界面中。。。
。

第二步：设置剖析

软件会自动识别并剖析导入的文件，，您可凭证界面提醒选择所需的生涯路径或下载名堂。。。
。

第三步：最先下载

确认无误后，，点击"最先下载/处理"按钮。。。
。期待进度条读取完毕，，即可在设定的文件夹中审查下载好的正版文件。。。
。

李飞飞造了ImageNet，，现在她又带人逾越了它，，520886·mooc免费版

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。。。
。」