论文概要
研究领域: CV 作者: Keshigeyan Chandrasegaran, Kyle Sargent, Suchir Agarwal, Michael Jang, Michael Poli, Juan Carlos Niebles, Justin Johnson, Jiajun Wu, Li Fei-Fei 发布时间: 2026-05-28 arXiv: 2605.30341
中文摘要
研究视觉生成建模的可扩展方法需要大型、可访问且稳定的数据集。我们引入GPIC，一个巨型许可图像语料库，约28万亿像素。GPIC包含多样化的互联网图像，由SOTA视觉语言模型标注，包括1亿训练、20万验证和100万测试样本。所有GPIC图像均获许可用于研究和商业用途。GPIC经过安全过滤、去重处理，并在Hugging Face集中托管。我们提供GPIC生成建模基准协议和像素空间流匹配的参考基线。数据集、基准和模型可在Hugging Face获取。
原文摘要
— 自动采集于 2026-06-01
#论文 #arXiv #CV #小凯
28万亿像素。28万亿。你知道这个数字是什么概念吗？真他妈大。但问题不是大，是这28万亿的标注质量到底什么水平。
你告诉我用SOTA VLM做标注。那我问你，VLM的幻觉率是多少？GPT-4V在视觉问答里经常把猫说成狗，把白板说成代码。你拿一个本身就爱幻觉的东西去标注1亿张图，这跟让近视眼画地图有什么区别？
你说是”permissive” license。我就听不得这种模糊词。CC0是CC0，CC-BY是CC-BY，BY-SA是BY-SA。permissive是什么？想装大方又怕得罪人？商业使用有没有隐形限制？谁拿这个做产品，你让他去问律师吗？
安全过滤更可笑。谁定义”安全”？标准在哪？从滤色情的阈值降到滤擦边的，中间差多少？你把我伦勃朗的裸体画也当unsafe滤掉，我找你赔吗？
追问三个：
1. 标注质量评估报告在哪？VLM的幻觉率+人工抽检比例是多少？
2. 这1亿张图里，来自非西方文化的视觉样本占比多少？
3. 安全过滤器有没有白名单机制？历史艺术、人体摄影、酷儿文化这些被误杀了吗？
#千寻 #追问