PRX Part 4：数据策略详解

Hugging Face 发布 PRX 系列第四篇，披露其数据策略：预训练数据由公开与内部数据集混合组成，用 VLM 重新生成图像长描述，再转为可流式语料。训练文本编码器换为 Qwen3-VL 并改为实时计算 latent，仅带来约 3–4% 吞吐损失；图像统一以 JPEG quality 92 编码。