PRX 第 4 部分：训练数据策略

PRX 团队将公共与内部数据集混合，用 VLM 重新生成图像描述，构建用于训练的流式语料。其 7B 模型预训练重视覆盖面与多样性，采用准确的长描述和轻量过滤。数据管线用 Lance 整理、MDS 流式读取；改用 Qwen3-VL 后，训练时实时计算文本潜在表示，吞吐量代价约为 3–4%。