JPEG بجودة 92: اختيار هندسة البيانات الممل الذي جعل نموذج Photoroom ذي 7 مليارات معلمة يعمل

نشرت Photoroom، الشركة الناشئة في تحرير الصور بالذكاء الاصطناعي، الجزء الرابع من سلسلة مدونات تطوير نموذج PRX، مُقدمةً نظرة عميقة وصريحة حول كيفية تجميع بيانات التدريب لنموذج الانتشار ذي 7 مليارات معلمة مفتوح المصدر. المنشور، PRX الجزء 4: استراتيجية بياناتنا، هو مثال رئيسي في الهندسة العملية، حيث يبرر المؤلفون بشكل منهجي كل قرار في مواجهة قيود النطاق والحوسبة والوقت. the-specialization-revolution-how-smaller-models-are-redefining-ais-future

الفلسفة: السعة قبل الجمال

المبدأ التوجيهي للتدريب المسبق لنموذج PRX متعمد ومخالف للتيار إلى حد ما: تجنب الإفراط في التصفية من أجل الجماليات. تجادل Photoroom بأن مجموعة بيانات واسعة وتمثيلية تُعلم النموذج عن بنية العالم البصري أكثر من مجموعة أصغر وأجمل، حتى لو كانت العديد من الصور الفردية لقطات عادية أو مضغوطة قليلاً. يكتب الفريق: "الإفراط في التصفية من أجل الجماليات في هذه المرحلة من شأنه أن يضر بالفعل، مما يضيق التوزيع ويكلف النموذج مفاهيم وتنوعًا تركيبيًا لا يمكنه استعادته لاحقًا." الضبط الدقيق ومحاذاة التفضيل، المطبقة على مجموعات صغيرة ومنتقاة بدقة، محجوزة لجعل المخرجات تبدو مصقولة. why-metas-muse-spark-signals-a-strategic-pivot-in-generative-media

تنسيقات البيانات: Lance للبناء و MDS للبث

يعتمد خط الأنابيب على تنسيقي بيانات متكاملين. يُستخدم Lance، وهو تنسيق عمودي مع دفع شرطي رخيص وبحث متجه، لبناء واستكشاف مجموعة البيانات. ويُستخدم Mosaic Data Shards (MDS)، من مكتبة Mosaic Streaming، للتدريب الموزع. وجد الفريق أن MDS منخفض الصيانة وجيد الأداء للتدريب الموزع ولكنه جامد لهندسة الميزات، ومن هنا جاء النهج ذو المستويين. تحذير عملي: "لا تجزئ جداول Lance بشكل مفرط"، كما يلاحظون، ويروون كيف أن الأجزاء الصغيرة جدًا (100 ألف صف لكل منها) جعلت الاستعلامات زاحفة حتى تم تشغيل الدمج. alibaba-cloud-emr-serverless-spark-now-processes-multimodal-data-via-sql-no-python-needed

JPEG بجودة 92: الأرقام تبرر الاختيار

ادعاء تقني بارز هو أن تخزين صور التدريب بصيغة JPEG بجودة 92 لا يمكن تمييزه عمليًا عن PNG غير المفقود، حتى بعد دورات إعادة ترميز متعددة. عبر دورات متكررة على كل من الصور عالية الدقة (1, 2 ميغابكسل) ومنخفضة الدقة (0.25, 0.5 ميغابكسل)، حققت إعادة الترميز الأولى بجودة 92 PSNR قدره 48.7 ديسيبل و 45.1 ديسيبل على التوالي، مع درجات LPIPS 0.004 و 0.005. حتى بعد 10 دورات، ظل التدهور ضمن النطاق غير المحسوس (PSNR 45.4 و 42.2 ديسيبل). قام الفريق أيضًا بتدريب نموذجين PRX متطابقين على نفس الصور، أحدهما مخزن بصيغة PNG والآخر بصيغة JPEG، ووجدوا أن المخرجات "لا يمكن تمييزها عمليًا." فقط حوالي جيل واحد من كل عشرة من أي منهما أظهر أي بنية تكميم قابلة للاكتشاف، وكانت الاختلافات صغيرة. الاستنتاج: تخزين JPEG عالي الجودة لا يضيف أي شيء قابل للقياس فوق ما تحمله المصادر بالفعل، بينما سيكون PNG أكبر بمقدار 3 إلى 10 مرات دون مكسب إدراكي. chrome-experiments-with-cross-origin-storage-api-to-eliminate-duplicate-ai-model-downloads

إعادة وصف كل شيء: السرعة قبل المقاييس

أعادت Photoroom وصف كل صورة في المجموعة باستخدام نموذج رؤية-لغة، بدلاً من الاعتماد على التسميات التوضيحية للمصدر غير المتسقة. اختاروا ثلاثة مرشحين: Qwen2.5-VL-7B-Captioner-Relaxed و Qwen3-VL-8B و Qwen3.5-9B. في الاختبارات المعيارية، كان Qwen3.5-9B الأفضل في جميع المقاييس الثلاثة (FID 10.51, CMMD 0.278, DINO-MMD 0.162)، مع Qwen3-VL-8B قريبًا منه في FID (10.98) و DINO-MMD (0.182). ومع ذلك، اختار الفريق Qwen3-VL-8B لأنه كان الأسرع (20 صورة في الثانية لكل وحدة معالجة رسومية H200) ويمتلك دعم vLLM مستقرًا وجاهزًا للإصدار. Qwen3.5-9B، على الرغم من إنتاجه تسميات توضيحية رائعة، كان يعمل بحوالي 6.5 صور فقط في الثانية ويتطلب بناء تبعيات ليلية غير مستقرة في ذلك الوقت. يعترف المنشور أن مُوصف Qwen2.5-VL "المريح" يصل بالفعل إلى نفس 20 صورة/ثانية بمجرد إصلاح خطأ، لكن هذا ظهر فقط لاحقًا. alibabas-qwen-readies-its-next-leap-a-35b-agent-world-model-and-the-quiet-expansion-of-the-qwen3-family

التصفية وإزالة الازدواجية: خفيفة الوزن وقابلة للعكس

بنى الفريق تمريرة تصنيف خفيفة الوزن باستخدام Qwen3-8B في وضع النص فقط، والتي تقرأ كل تسمية توضيحية لتسمية العينات بأنها "بصرية" أو "نصية" أو "غير آمنة للعمل." التصنيف من التسمية التوضيحية بدلاً من البكسل رخيص، حوالي 200 تسمية توضيحية في الثانية لكل وحدة معالجة رسومية، ويعيد استخدام العمل المنجز بالفعل. لإزالة الازدواجية، استخدموا تجزئة إدراكية قياسية قائمة على DCT. تتم إزالة النسخ المطابقة على مستوى البكسل فقط (مسافة هامينج صفر). يتم الاحتفاظ باللقطات المختلفة حقًا لنفس الموضوع. بدلاً من إعادة كتابة المجموعة، تتم معالجة جميع العينات المستبعدة والمكررة عبر قوائم تخطي لكل جزء، وهي آلية مرنة تستوعب أيضًا إلغاء اشتراك المستخدمين دون إعادة كتابة مجموعة البيانات. التحذير الوحيد: بمجرد أن تتجاوز الكسور المتخطاة حوالي 10%، يصبح من المفيد إعادة كتابة مجموعة البيانات. microsofts-bet-on-small-models-for-agentic-ai-is-about-orchestration-not-knowledge

آثار جانبية

استراتيجية بيانات Photoroom ليست عمل مختبر عملاق. إنه نهج مُقاس ومتكرر من قبل شركة ناشئة قامت بفتح مصدر نموذج نص-إلى-صورة ذي 7 مليارات معلمة بموجب ترخيص Apache 2.0. القرارات، JPEG على PNG، أسرع مُوصف على أفضل المقاييس، قوائم التخطي على إعادة الكتابة، كلها تتعلق بمقايضة الكمال بالسرعة. المنشور لمحة نادرة عن هندسة البيانات الحقيقية غير الجذابة التي تقوم عليها نماذج الانتشار الحديثة. تعد السلسلة بمشاركات مستقبلية حول الضبط الدقيق ومحاذاة التفضيل، حيث سيتحول المقايضة من السعة إلى الجودة. the-math-says-general-ai-is-a-myth-biology-markets-and-machine-learning-all-agree