28 триллионов пикселей, которые можно брать

Keshigeyan Chandrasegaran и Kyle Sargent показали GPIC — датасет из 100 миллионов пар «картинка + текст» для обучения генеративных моделей. 28 триллионов пикселей. И всё это полностью открыто для коммерческого использования.

Большинство визуальных моделей тренируют на данных с мутными лицензиями. Stability AI уже получала иски, Getty Images судился. Каждый крупный генератор изображений сидит на юридической бомбе. GPIC — попытка дать чистую базу, где не прилетит повестка в суд.

Отдельный плюс - датасет захостен централизованно, не надо собирать по кускам. Плюс миллион пар для бенчмарка, чтобы сравнивать модели на одной линейке.

Кто платил и сколько стоила разметка ста миллионов картинок - молчок 🤷