Hugging Face が PRX Part 4: Our Data Strategy を公開 ── 画像AIを鍛える「データ戦略」のリアル
画像生成AIの出来を決めるのって、結局アーキテクチャよりも「データ」なんじゃないかって思うことがある。今回Hugging FaceのブログでPhotoroomチームが「PRX Part 4」として、その地味だけど超重要なデータパイプラインの中身を包み隠さず公開してくれた。VLMで再キャプションを付けていく泥臭さ、めちゃくちゃ参考になる。
▸何が変わったのか
公開データと内部データをミックスし、VLM（視覚言語モデル）を使って画像に詳細な再キャプションを付与してストリーミングコーパスを構築したのが大きなポイント。「事前学習は広さのため、ファインチューニングは好みのため」と割り切っている。美学（aesthetics）で画像を過度にフィルタリングすると分布が狭くなり、取り戻せないコンセプトの多様性を失うと指摘。既存データセットのNSFWや個人情報フィルタリングの仕組みを再利用するプラグマティックなアプローチも取っている。
◈前モデル / 競合との比較
アーキテクチャやトレーニング設計、24時間スピードランを扱った前回（Part 1〜3）までとは異なり、データ構築という「裏方」に焦点を当てている点が新しい。
◈技術背景と意義
AIの学習では「きれいなデータだけを大量に集める」のが正解だと思われがちだけど、実はそうでもないらしい。事前学習の段階では、少し圧縮された普通のスナップショットなども含めて、とにかく視覚世界の多様性を広くカバーすることが重要になる。過剰にエンティティーを絞りすぎると、モデルが学ぶべき世界の広がりを奪ってしまうというわけだ。7Bモデルを支えるデータ構築のリアルな苦労が伝わってくる良記事。
▸こんな人・用途に
画像生成AIを自前で学習・ファインチューニングしたいAIエンジニア。事前学習用データセット構築のノウハウを探している研究者や開発者。
◆入手方法・リンク
現在Hugging Faceのブログ（Articlesセクション）で公開中。OSSではなくクローズドソースのため、直接のコードやデータセットへのGitHub等のリンクはない。
SOURCE: Hugging Face (2026-07-06)
