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。」