PRX Part 4：数据策略详解

summary_zh: PRX 团队公开了其预训练数据策略：从公开与内部数据集混合采集图像数据，用 VLM 重新标注，并以长caption 保证描述完整。流程上使用 Lance 做特征工程与数据集构建、MDS 格式流式读取；文本编码器切换至 Qwen3-VL 后改为训练时实时计算 latent，仅带来约 3–4% 吞吐量开销；图像统一以质量 92 的 JPEG 编码。