Den intuitive oppskriften på treningsdata er å filtrere hardt for pene bilder. Photoroom gikk motsatt vei. I fjerde del av bloggserien om den åpne 7B-modellen PRX beskriver teamet hvordan de bevisst holdt filtreringen lett under pre-trening, fordi over-filtrering for estetikk snevrer inn fordelingen og koster modellen konsepter og komposisjonell variasjon den ikke kan hente inn igjen senere.
Nøkkelen er bildetekstene. Photoroom re-tekster hvert eneste bilde med en VLM (de landet på Qwen3-VL-8B, rundt 20 bilder i sekundet per H200) i stedet for å stole på tekstene datasettene kom med. Poenget er at når en tekst nøyaktig beskriver alt i bildet, også skjermbilder, logoer eller tekst, lærer modellen dette som styrbare attributter du kan be om eller be bort, ikke som støy. I et internt benchmark ga lange bildetekster lavere FID (rundt 13 mot rundt 21) enn korte.
«Førtrening er for bredde, finjustering for smak» — Photoroom
For deg som trener eller finjusterer egne bildemodeller, er dette en konkret oppskrift: bygg datasettet i Lance for utforsking, strøm treningen fra Mosaic Data Shards, og lagre bilder som JPEG kvalitet 92 (Photoroom målte at det er praktisk umulig å skille fra PNG, men 3-10 ganger mindre). PRX-koden er Apache 2.0, integrert i diffusers, og det finnes en Hugging Face Space for å teste den. Det mest nyttige er at et helt team legger hele pipelinen åpent, fra Lance-utforsking til dedup med perseptuell hash: sjelden kost i en bransje der treningsdata vanligvis er en godt bevart hemmelighet.