编纂｜Panda

2012 年，AlexNet 在 ImageNet 较量上以压倒性的优势拿下第一，正式开启深度进建时期。尔后十余年，ImageNet 成为推算机视觉钻研的「尺度科场」：无论是 VGG、ResNet，还是 ViT，钻研者们都在这统一张卷子上比拼，看谁的模型精度更高。

但这张卷子，如今已经没有评分的意思了。

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身的评分。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鼓和。

基准鼓和意味着什么？单一来说：你不再能通过度数判断一个天生模型是真的好，还是在「投契取巧」地优化指标？蒲Ь赫，必要一把新的尺子。

就在前两天，斯坦福大学等机构颁布了一个名为GPIC（Giant Permissive Image Corpus，巨型盛开图像语料库）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，主题贡献者为 Keshigeyan Chandrasegaran 和 Kyle Sargen，蕴含整整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，任何人都能够免费下载使用。

旧规定失灵了

要理解 GPIC 为什么重要，先要理解当前的视觉天生钻研面对哪些困境。钻研者们在使用已罕见据集时，遭逢了三个相互叠加的麻烦。

第一个麻烦：旧基准 ImageNet 已经对不上现实

今天的图像天生模型，训练用的是数亿张带有天然说话描述的图片，天生时也靠文字提醒词驱动。而 ImageNet 是一个以「分类标签」为主题的数据集，它对应的是另一个时期的钻研范式。拿一张用文字提醒天生的图片，去和一个以标签分类为指标设计的数据集做比力，性质上是「用语文考卷评数学成就」。

第二个麻烦：大无数工业级数据集不合表盛开

Stable Diffusion、Midjourney、Sora 这些一线产品背后，训练数据要么是贸易机密，要么涉及版权纠纷，从未公开。学术界要复现、比力、改进这些模型，险些无从下手。

第三个麻烦：即便有盛开数据集，也不不变

目前学界常用的盛开数据集（如 LAION、DataComp），普遍选取「URL 索引」的方式分发——也就是说，钻研者下载到的，其实是一份图片网址清单，还得自己去抓取原始图片。随着功夫推移，大量链接失效，分歧钻研团队最终用到的「统一个数据集」其实已经天壤之别，尝试了局天然无法靠得住比力。

GPIC 的设计，正是针对这三重失灵逐一作答。

论文标题：GPIC: A Giant Permissive Image Corpus for Visual Generation论文地址：https://arxiv.org/abs/2605.30341项目地址：https://gpic.stanford.edu/

来自 ImageNet 作者的交班人之作

构建 GPIC 的团队，来自斯坦福大学，蕴含李飞飞、吴佳俊以及他们的多位学生。

李飞飞是「ImageNet 时期」的缔造者之一。2009 年，她主导颁布了初版 ImageNet，后出处此衍生出 ILSVRC 视觉鉴别挑战赛，催生了 AlexNet 等一系列里程碑式工作，被宽泛以为是深度进建革命的重要推手之一；她也因而还被《时期》杂志和 BBC 等很多媒体称为是 AI 的教母（Godmother of AI）。

图源：Time 官网

她如今是斯坦福人为智能尝试室（SAIL）的结合主任，同时也是 3D 空间智能公司 World Labs 的首创人。

这一次，她携带团队打造的是视觉天生时期的「新 ImageNet」。

GPIC 是什么，怎么做出来的

GPIC 的构建，经过了四个严格的流程阶段。

只采集有授权的图片

钻研团队仅从 Flickr 和 Wikimedia 两个平台网络图片，并严格限造在 CC BY、CC0、公有领域和无已知限度这四类授权领域内。这意味着 GPIC 里的每一张图片，都有明确的司法凭据，既可用于学术钻研，也可用于贸易产品开发，无需不安版权风险。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

钻研团队借助视觉说话模型 Qwen3-VL-4B，自动鉴别并移除分辨率过低、严重吞吐、过曝、近乎空缺，以及被判定为不安全的图片。这两类过滤别离裁减了约 0.3% 和 0.35% 的图片——比例看起来很幼，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

互联网图片有大量的「反复」景象，蕴含统一场景的连拍、被转发的表情包、略有分歧的翻疆域。钻研团队使用了一种名为 SSCD 的图片复造检测模型，推算每两张图片之间的特点类似度，并通过「守旧去重」战术删除高相信度反复项。最终，约 101.3 万张图片留下，其中不含任何齐全一样的副本。

第四步：天生高质量描述文字

传统图片数据集的文字描述（如 alt text）质量往往很差，充溢着「photo.jpg」「未定名」之类无意思的标注。GPIC 则对每一张图片，都用 Qwen3-VL-4B 重新天生炼质量的人为智能描述，且描述依照「标签」「短」「钟坠「长」四种粒度散布。天生 1 亿张图片的描述，共亏损约 1500 个 H100 GPU·幼时。

最终的 GPIC，蕴含 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，整顿成 8000 个吩飕（shard），能够直接流式传输用于大规模散布式训练。

数据集之表，GPIC 还附带了一套新的评估和谈，这同样是这次颁布的重要贡献。

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 来提取图片特点。这个网络从未为「评估天生质量」而设计，它的特点空间和人类对图像质量的感知存在显著的脱节，导致 FID 评分容易被「刷榜」——模型能够在不真正提升感知质量的情况降落低 FID 数值。

GPIC 的新基准选取FD-DINOv2作为重要指标。

DINOv2 是 Meta 于 2023 年颁布的自监督视觉特点模型，其特点暗示与人类对图像类似性的判断更为一致。

钻研者们验证发现：目前所有主流天生模型（蕴含那些用了 DINOv2 特点训练的模型），在 FD-DINOv2 上的分数依然高于真实图片，注明这把尺子还有足够的「余量」，不会很快被刷穿。

更重要的一点改进是：GPIC 的基准评分是与一个 独立的百万张测试集 进行比力，而不是和训练集比力。这个设计预防了一个严重的缝隙——若是拿天生图片和训练集比力，模型只需「记住」训练数据就能获得好分数，而无法反映真正的泛化能力。

给将来的钻研者：参考基线

为了方便后来者对齐尝试了局，钻研团队还在 GPIC-Full（1 亿张训练集）上训练了一个参考基线模型。

这个基线使用了JiT（Just image Transformers）流匹配架构，搭配 1.1B 参数的 Transformer 骨干网络，以 256×256 分辨率在单节点 8 张 H100 上训练约 40 幼时（约一个 epoch）。最终，在最优的疏导强度（CFG=6.25）下，基线模型的 FD-DINOv2 评分为 76.25。这个数字并不杰出，但它的价值在于：所有钻研者都能够以此为起点，平正地比力各自的改进成效。

钻研团队还提供了三个分歧规模的训练集版本：GPIC-Nano（100 万张）、GPIC-Lite（1000 万张）和 GPIC-Full（1 亿张），方便资源有限的团队在幼规模上迭代，有足够算力的团队再在齐全数据集上验证。

一个盛开基础设施的意思

视觉天生领域在经历一场「军备较量」。Sora、Imagen、Stable Diffusion 3……前沿模型的能力每隔几个月就会跃升一级。但这场较量，在相当水平上是不通明的：每个尝试室都在自己的数据上训练，用自己的指标评估，颁布时只遴选对自己有利的数字汇报。

公开、可复现的基准，是科学进取的基础。学界在 NLP 领域已经为此支出了多年致力，逐步成立起了 GLUE、SuperGLUE、BIG-bench 等相对尺度化的评测系统。视觉天生，迟迟短缺这样的基础。

GPIC 的颁布是一次为这个领域补课的尝试，是为了让整个领域有一个共同的起跑线。正如李飞飞团队在论文中所写的：「我们但愿 GPIC 可能推动视觉天生建模领域公开、可及、可复现的钻研。」