李飞飞创建ImageNet之后：如今她带领团队实现新突破

深度学习革命始于2012年ImageNet竞赛，AlexNet的突破性表现引领了计算机视觉研究的新纪元。十余年来，该数据集作为行业标杆，见证了VGG、ResNet等里程碑模型的诞生，但如今这个"标准考场"已面临严峻挑战。

近期多项研究表明，生成式AI在ImageNet上的FID评分已超越真实图像，意味着这个沿用十年的基准已失去区分能力。当模型生成的"假图片"比真图更符合统计特征时，科学界亟需一把新的标尺。斯坦福大学最新发布的GPIC数据集，正是为解决这一困境而生。

项目共一作者 Keshigeyan Chandrasegaran 的推文

由李飞飞团队主导构建的GPIC包含1亿对图像-文本数据，总像素量达28万亿，已完整托管于Hugging Face平台供免费使用。这个规模空前的开放数据集，标志着视觉生成研究进入新阶段。

基准失效的三重困境

当前视觉生成研究面临三大核心挑战：首先，ImageNet基于分类标签的设计与当下文字驱动的生成范式严重脱节；其次，工业级数据集普遍封闭，导致学术研究难以复现前沿成果；最后，现有开放数据集依赖URL索引，链接失效导致实验结果不可比。

GPIC的创新设计直击这些痛点：其文本-图像配对结构契合生成模型需求，完整数据托管确保可复现性，严格的质量控制保障了研究一致性。

1. 论文标题：GPIC: A Giant Permissive Image Corpus for Visual Generation
2. 论文地址：https://arxiv.org/abs/2605.30341
3. 项目地址：https://gpic.stanford.edu/

ImageNet缔造者的新篇章

GPIC的诞生与ImageNet有着深刻渊源。项目负责人李飞飞作为2009年ImageNet的创建者，曾推动深度学习革命浪潮。如今她带领斯坦福团队再次突破，构建了面向生成式AI时代的基础设施。

图源：Time 官网

这位被《时代》杂志誉为"AI教母"的科学家，正通过GPIC重塑视觉生成研究的基准体系。

GPIC的四大构建流程

该数据集的创建过程体现了严谨的学术态度：

第一步：仅采集Flickr和Wikimedia平台明确授权的图片，初始收集1.1亿张，确保法律合规性。

第二步：通过Qwen3-VL-4B模型自动过滤低质量和有害内容，在亿级规模下剔除数十万问题图片。

第三步：采用SSCD模型进行保守去重，最终保留101.3万张无重复图片。

第四步：为每张图片生成多粒度AI描述，消耗1500个H100 GPU·小时，显著提升标注质量。

最终形成的12.9TB数据集包含训练、验证、测试三部分，支持分布式流式传输。更重要的是，团队创新性地引入FD-DINOv2评估协议，解决了传统FID指标易被刷榜的缺陷。

FD-DINOv2

基于Meta 2023年发布的DINOv2模型，新指标与人类视觉感知更吻合，且留有充足评估余量。独立测试集的设计也有效防止了模型通过记忆训练数据获取高分。

研究基线与版本划分

为建立可比标准，团队在GPIC-Full上训练了基线模型：采用JiT架构和1.1B参数Transformer，FD-DINOv2评分76.25。同时提供Nano(100万)、Lite(1000万)、Full(1亿)三个版本，适配不同算力需求。

GPIC的诞生标志着视觉生成研究进入新纪元。在这个Sora等闭源模型主导的时代，开放、可复现的基准设施将为学界提供共同起跑线，推动领域健康发展。正如团队所言，这项工作的核心价值在于建立"公开、可及、可复现"的研究标准，为AI民主化进程注入新动力。