训练时间爆砍80%！港大快手联合打造了一个AI炼金师：专挑“有营养”数据，20%数据达成50%效果

想象一下，如果让一个大厨用发霉的食材、过期的调料来做菜，即使厨艺再高超，也做不出美味佳肴。AI训练也是同样的道理。

一、数据就像食材，质量决定成品

现在的AI图像生成模型，如Stable Diffusion、FLUX等，需要从网络上爬取数百万张图片来学习。但这些图片质量参差不齐：有些模糊不清，有些内容重复，有些甚至只是广告背景图。用这些“食材”训练出来的AI，自然效果不佳。

由香港大学丁凯欣领导，联合华南理工大学周洋以及快手科技Kling团队共同完成的这项研究，开发出了一个名为“炼金师”（Alchemist）的AI系统。它就像一位挑剔的大厨，能从海量图片数据中精准挑选出最有价值的一半。

更让人惊喜的是：

• 用这一半精选数据训练出的模型，竟然比用全部数据训练的表现还要好
• 训练速度快了5倍
• 只用20%的精选数据，就能达到50%随机数据的效果

二、让AI学会“自我评判”

2.1 传统方法的局限

传统的数据筛选方法就像用筛子筛米粒，只能按照单一标准过滤：

• 只看图片清晰度
• 只看文字匹配度
• 只看美学评分

这些方法的问题在于：它们不知道哪些数据真正有助于AI学习。

2.2 炼金师的智慧

“炼金师”更像是一位经验丰富的美食评委，它能同时考虑多个维度：

• 不仅看“菜品”的卖相
• 还要品尝口感
• 甚至考虑营养搭配

核心思想：让AI学会观察自己的学习过程

炼金师训练了一个专门的评分员模型，这个评分员就像资深的艺术老师，能够判断每张图片对整个学习过程的价值。

评判标准：

✅如果一张图片能让AI模型学到新知识并快速改进→好数据❌如果一张图片让模型学了半天也没什么进步→无用数据

这就像观察学生做习题时的表情和进步速度，来判断这道题是否适合他们。

三、最简单的不一定最好

3.1 意外的真相

研究团队发现了一个违反直觉的现象：

那些看起来最“简单”的图片，比如纯白背景的产品图：

• 虽然能让AI快速收敛
• 但对提升模型能力帮助不大
• 就像一直做最简单的加法题，虽然不会出错，但对提升数学能力没有帮助

相反，内容丰富、稍有挑战性的图片，才是真正的“营养品”

3.2 科学验证

研究团队追踪了不同评分区间图片的训练动态：

四、技术亮点：偏移高斯采样策略

基于上述发现，团队提出了“偏移高斯采样”（Shift-Gsample）策略。

4.1 传统方法vs炼金师

传统Top-K方法：

• 简单选择评分最高的数据
• ❌但这些数据往往过于简单，缺乏营养

炼金师策略：

• ✅避开评分过高的“简单”数据
• ✅重点选择中等偏上评分的“有营养”数据
• ✅保留少量简单和困难样本，维持数据多样性

这就像制定健身计划：

• ❌不选择过于轻松的运动（没有锻炼效果）
• ❌不选择过于困难的运动（容易受伤）

4.2 多粒度感知机制

为了更好地评估数据质量，炼金师还设计了“多粒度感知”机制：

• 个体层面：评估单张图片的质量
• 群体层面：考虑整批数据的搭配

就像营养师不仅关注单个食材的营养价值，还要考虑整餐的营养搭配。

五、实验结果：数据说话

5.1 主要成果对比

在LAION-30M数据集上：

关键发现：

• 用50%精选数据超越100%全量数据
• 用20%精选数据达到50%随机数据效果
• 训练速度提升5倍

5.2 跨模型通用性

炼金师在不同规模、不同架构的模型上都有效：

5.3 跨数据集适应性

在不同类型数据集上的表现：

HPDv3-2M数据集（真实+合成混合）：

• 20%保留率：FID从35.55→32.27✅
• 50%保留率：FID从20.21→18.15✅

Flux-reason-6M数据集（纯合成推理数据）：

• 20%保留率：FID从23.66→22.78✅
• 50%保留率：FID从19.35→18.59✅

六、可视化分析：眼见为实

6.1 数据分布特征

研究团队对筛选后的数据进行了可视化分析：

0-20%高分区域（简单但营养不足）：

• 白色或纯色背景
• 简洁的产品图
• 视觉干净但信息量有限

30-80%中分区域（最有价值的“金中间”）：

• 内容丰富
• 主题明确
• 动作清晰
• 炼金师重点选择区域⭐

80-100%低分区域（过于混乱）：

• 噪声图片
• 多对象混乱场景
• 视觉密集区域
• 内容不清晰

6.2 训练动态对比

训练稳定性对比：

炼金师选择的数据展现出：✅稳定持续的性能提升✅更快的收敛速度✅更少的训练波动

随机选择的数据则表现出：❌早期训练波动大❌性能提升缓慢❌需要更多epochs才能收敛

七、技术深度：元梯度优化框架

7.1 双层优化问题

炼金师的核心是一个双层优化框架

外层优化：学习如何评分

• 目标：找到最优的评分策略
• 评判标准：验证集上的性能

内层优化：训练代理模型

• 目标：用加权数据训练模型
• 权重由评分器决定

7.2 元梯度更新机制

系统通过观察两个模型的表现差异来更新评分：

评分更新∝代理模型的验证集损失

核心思想：

• 如果一个样本让验证性能提升→提高其评分
• 如果一个样本只降低训练损失但不提升验证性能→降低其评分

八、Q&A环节

Q1：炼金师如何判断哪些图片数据更有价值?

A：炼金师通过观察AI模型在学习过程中的“反应”来判断数据价值：✅好数据：能让模型学到新知识并快速改进❌差数据：让模型学了半天也没进步

这就像观察学生做题时的表情和进步速度，来判断题目是否合适。

技术细节：

• 监控训练损失变化
• 追踪梯度动态
• 对比验证集性能提升

Q2： 为什么用一半数据训练出的模型比用全部数据还要好?

A：因为并非所有数据都有价值，关键在于质量而非数量。

类比说明：

• 教孩子画画时，精选5000张优质作品
• 比给他看10000张杂乱涂鸦更有效

科学原理：1.冗余数据消耗资源但不提升性能：如重复的简单样本、模糊不清的噪声图片2. 有营养的数据促进真实学习：如内容丰富的中等难度样本、多样化的场景和对象3. 避免过拟合：若只用简单数据会导致模型“死记硬背”，还应使用适当难度的数据培养泛化能力

Q3： 炼金师的数据筛选方法能在其他AI模型上使用吗?

A：可以！研究显示这种方法具有良好的通用性和跨模型适用性。

验证范围：

✅不同数据类型：

• 网络爬取数据（LAION）
• 高质量合成数据（Flux-reason）
• 人类偏好标注数据（HPDv3）

✅不同模型架构：

• STAR系列（40M→0.9B参数）
• FLUX系列（3B参数）
• 从头训练 vs LoRA微调

✅不同模型规模：

• 用小模型（0.3B）筛选数据
• 成功提升大模型（0.9B）性能
• 评分成本可忽略不计

原理：

• 数据质量是本质属性，不依赖特定模型
• 就像好食材适合各种烹饪方法
• 经验丰富的教练选择的训练方法，既适合业余选手也适合专业选手

Project Page：https://kxding.github.io/project/Alchemist/

Github：https://github.com/KlingTeam/Alchemist/

arXiv：https://arxiv.org/abs/2512.16905

文章来自于微信公众号 “量子位”，作者 “量子位”