李飞飞率队打造超越ImageNet的全新AI基准

先聊一个有意思的现象：2012年，AlexNet在ImageNet竞赛上以压倒性优势夺冠，正式拉开了深度学习时代的大幕。此后十多年，ImageNet成了计算机视觉领域的“标准考场”——甭管你是VGG、ResNet还是ViT，研究者们都在同一张卷子上比拼，看谁的模型精度更高。

但说实话，这张卷子，现在已经没有评分的意义了。

今年，一批顶尖论文相继宣布：它们在ImageNet上的生成质量评分（FID），已经低于真实图片本身的评分。换句话说，生成的假图片，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，彻底饱和了。

基准饱和意味着什么？简单来说：你不能再靠分数判断一个生成模型是真的厉害，还是在“投机取巧”地优化指标。科学研究需要一把新的尺子。

就在前两天，斯坦福大学等机构发布了一个名为GPIC（Giant Permissive Image Corpus，巨型开放图像语料库）的新数据集。

项目共一作者 Keshigeyan Chandrasegaran 的推文

这个项目由李飞飞团队主导构建，核心贡献者是 Keshigeyan Chandrasegaran 和 Kyle Sargen。整个数据集包含整整1亿对图像-文本数据，总计约28万亿像素，并且已经全量托管在Hugging Face上，任何人都可以免费下载使用。

旧规则失灵了

要理解GPIC为什么重要，得先看清当前视觉生成研究面临的困境。研究者们在使用已有数据集时，遭遇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。

今天的图像生成模型，训练用的是数亿张带有自然语言描述的图片，生成时也靠文字提示词驱动。而ImageNet是个以“分类标签”为核心的数据集，对应的是另一个时代的研究范式。拿一张用文字提示生成的图片，去和一个以标签分类为目标设计的数据集做比较，本质上是在“用语文考卷评数学成绩”。

第二个麻烦：大多数工业级数据集不对外开放。

Stable Diffusion、Midjourney、Sora这些一线产品背后，训练数据要么是商业机密，要么涉及版权纠纷，从未公开。学术界想复现、比较、改进这些模型，几乎无从下手。

第三个麻烦：即使有开放数据集，也不稳定。

目前学界常用的开放数据集（比如LAION、DataComp），普遍采用“URL索引”的方式分发——也就是说，研究者下载到的，其实是一份图片网址清单，还得自己去抓取原始图片。随着时间推移，大量链接失效，不同研究团队最终用到的“同一个数据集”其实已经大相径庭，实验结果自然无法可靠比较。

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 作者的接班人之作

构建GPIC的团队，来自斯坦福大学，包括李飞飞、吴佳俊以及他们的多位学生。

李飞飞是“ImageNet时代”的缔造者之一。2009年，她主导发布了第一版ImageNet，后来由此衍生出ILSVRC视觉识别挑战赛，催生了AlexNet等一系列里程碑式工作，被广泛认为是深度学习革命的重要推手之一。她也因此被《时代》杂志和BBC等许多媒体称为AI的教母（Godmother of AI）。

图源：Time 官网

她如今是斯坦福人工智能实验室（SAIL）的联合主任，同时也是3D空间智能公司World Labs的创始人。这一次，她带领团队打造的是视觉生成时代的“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。

第一步：只采集有授权的图片。

研究团队仅从Flickr和Wikimedia两个平台收集图片，并严格限定在CC BY、CC0、公有领域和无已知限制这四类授权范围内。这意味着GPIC里的每一张图片，都有明确的法律依据，既可用于学术研究，也可用于商业产品开发，无需担心版权风险。初始收集到的图片约1.1亿张，其中87.7%来自Flickr，12.3%来自Wikimedia。

第二步：过滤低质量与有害内容。

研究团队借助视觉语言模型Qwen3-VL-4B，自动识别并移除分辨率过低、严重模糊、过曝、近乎空白，以及被判定为不安全的图片。这两类过滤分别淘汰了约0.3%和0.35%的图片——比例看起来很小，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“重复”现象，包括同一场景的连拍、被转发的表情包、略有不同的翻版图。研究团队使用了一种名为SSCD的图片复制检测模型，计算每两张图片之间的特征相似度，并通过“保守去重”策略删除高置信度重复项。最终，约101.3万张图片留下，其中不含任何完全相同的副本。

第四步：生成高质量描述文字。

传统图片数据集的文字描述（比如alt text）质量往往很差，充斥着“photo.jpg”“未命名”之类无意义的标注。GPIC则对每一张图片，都用Qwen3-VL-4B重新生成了高质量的人工智能描述，且描述按照“标签”“短”“中”“长”四种粒度分布。生成1亿张图片的描述，共消耗约1500个H100 GPU·小时。

最终的GPIC，包含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，整理成8000个分片（shard），可以直接流式传输用于大规模分布式训练。

FD-DINOv2

数据集之外，GPIC还附带了一套新的评估协议，这同样是此次发布的重要贡献。

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来提取图片特征。这个网络从未为“评估生成质量”而设计，它的特征空间和人类对图像质量的感知存在明显的脱节，导致FID评分容易被“刷榜”——模型可以在不真正提升感知质量的情况下降低FID数值。

GPIC的新基准采用FD-DINOv2作为主要指标。DINOv2是Meta于2023年发布的自监督视觉特征模型，其特征表示与人类对图像相似性的判断更为一致。

研究者们验证发现：目前所有主流生成模型（包括那些用了DINOv2特征训练的模型），在FD-DINOv2上的分数仍然高于真实图片，说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较，而不是和训练集比较。这个设计避免了一个严重的漏洞——如果拿生成图片和训练集比较，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。

给未来的研究者：参考基线

为了方便后来者对齐实验结果，研究团队还在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（JustimageTransformers）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小时（约一个epoch）。最终，在最优的引导强度（CFG=6.25）下，基线模型的FD-DINOv2评分为76.25。这个数字并不出色，但它的价值在于：所有研究者都可以以此为起点，公平地比较各自的改进效果。

研究团队还提供了三个不同规模的训练集版本：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小规模上迭代，有足够算力的团队再在完整数据集上验证。

一个开放基础设施的意义

视觉生成领域正在经历一场“军备竞赛”。Sora、Imagen、Stable Diffusion 3……前沿模型的能力每隔几个月就会跃升一级。但这场竞赛，在相当程度上是不透明的：每个实验室都在自己的数据上训练，用自己的指标评估，发布时只挑选对自己有利的数字汇报。

公开、可复现的基准，是科学进步的基础。学界在NLP领域已经为此付出了多年努力，逐步建立起了GLUE、SuperGLUE、BIG-bench等相对标准化的评测体系。视觉生成，迟迟缺少这样的基础。

GPIC的发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：“我们希望GPIC能够推动视觉生成建模领域公开、可及、可复现的研究。”

来源：互联网