李飞飞造了ImageNet，现在她又带人超越了它

2012 年，AlexNet 在 ImageNet 竞赛上以压倒性的优势拿下第一，正式开启深度学习时代。此后十余年，ImageNet 成为计算机视觉研究的「标准考场」：无论是 VGG、ResNet，还是 ViT，研究者们都在这同一张卷子上比拼，看谁的模型精度更高。

但这张卷子，如今已经没有评分的意义了。

今年，一批顶尖论文相继宣告：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。也就是说，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。

基准饱和意味着什么？简单来说：你不再能通过分数判断一个生成模型是真的好，还是在「投机取巧」地优化指标。科学竞争，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，核心贡献者为 Keshigeyan Chandrasegaran 和 Kyle Sargen，包含整整 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，任何人都可以免费下载使用。

旧规则失灵了

要理解 GPIC 为什么重要，先要理解当前的视觉生成研究面临哪些困境。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 是一个以「分类标签」为核心的数据集，它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「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。学术界要复现、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（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；她也因此还被《时代》杂志和 BBC 等许多媒体称为是 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（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（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 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。」

文章来自于微信公众号 "机器之心"，作者 "机器之心"