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
。
。浚浚浚？？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
。
。，，，，，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
。
。」