PRX 数据策略：用 Lance 构建训练语料并流式输出 MDS

PRX 团队将公开与内部数据集混合，用 VLM 重新生成图像长描述，再把经过筛选和去重的数据转换为可流式读取的 MDS 语料。团队以 Lance 完成数据构建、查询和探索，并选择 Qwen3-VL-8B 进行描述生成；同时记录了 7B 训练中动态计算文本潜变量、使用质量 92 的 JPEG 以及分片跳过列表等实践。