Hugging Face PRX 系列第四篇：我们的数据策略

Hugging Face 详解 PRX 图像生成模型的数据管道：混合公开与内部数据集做预训练，用 VLM 重新生成长描述文本，再转成可流式训练语料。文本编码器已换为 Qwen3-VL 并改为训练时在线计算 text latents，吞吐仅损失约 3–4%。图像统一以 JPEG quality 92 编码，数据用 Lance 构建、以 MDS（Mosaic Streaming）流式供训练。