ITPub博客

vivo 蓝图实验室提出妆容迁移框架 ART，通过两阶段训练将监督信号从合成伪目标逐步锚定到真实参考图像。该方法有效解决了复杂妆容迁移中的细节丢失与身份漂移问题，在多个数据集上取得 SOTA 效果，并发布第一个 2K 妆容数据集 MF2K。

检索到相关材料，并不等于系统获得了可以用于判断的知识。本文区分 Representation、Knowledge 和 RAG 的职责，提出知识对象、来源证据、成熟度、版本与适用边界等工程要求，说明认知成果如何被验证、引用和持续更新。

面对涉及存量代码变更的需求，挑战不在于编码，而在于如何安全、精准地修改。本文通过构建一个由1个编排器和多个单职责Skill组成的AI协作流水线，将影响分析、规则沉淀、埋点和回归检查等隐性工作流程化，确保在实现功能的同时，对存量代码实现最小侵入式改造。

本文提出 SmartPhotoCrafter，一种全新的统一理解—生成—优化框架，为自动图像优化提供了新的技术范式。该方法在保留原始场景的内容结构与细节的同时提升图像质量，实现兼具真实性与美感的自动图像优化。

当 AI 应用开始在运行时解释数据、选择工具并影响业务状态时，数据表示中的遗漏和歧义可能直接转化为行动风险。本文从退款案例出发，提出 Reality First 的观察顺序：先明确系统面对的领域现实，再讨论现实模型、数字表示以及验证反馈如何共同支撑软件的判断与行动。

本文提出 TinySR，一种面向真实世界图像超分辨率的轻量级扩散模型，通过深度剪枝、动态块间激活以及扩张‑腐蚀策略实现高效推理。

这是一篇海外电商平台近四年线上性能治理的真实复盘。从第一次大促扩容部署失败、Redis 6 节点全线灾难告警，到黄牛单账号上亿请求打垮系统、热 key 将单个 Redis 节点 CPU 压至 99.97%——每一次告警背后，都隐藏着一个更深的架构问题。文章完整还原每次排查的推理链路和最终解法。

4K+图像编辑新突破！针对数据匮乏与细节建模难题，我们发布第一个指令式超高分辨率编辑数据集 VINS-120K（含12万精筛4K三元组）。同时提出高频感知适配策略，将预训练低分辨率模型轻松扩展至UHR领域，并配套评测基准 VINS-4KEval。显著提升编辑细节与纹理真实感！

在广告营销场景中，小游戏的生命周期极短——从策划到上线往往只有数天。传统开发模式下，需求沟通、素材制作、编码联调、测试上线的每个环节都是瓶颈。本文基于 vGame 平台的实践经验，详细阐述如何通过 AI Agent、结构化场景描述和自动化管线，将广告小游戏的开发效率提升一个数量级。

Octopus提出了一种基于无历史数据的梯度正交化（HiFGO）的两阶段持续学习框架，通过梯度层面的正交约束有效缓解了任务间的干扰，同时提出两阶段训练策略实现可塑性与稳定性的良好平衡。Octopus在UCIT基准上实现了当前最优性能（SOTA），Avg和Last指标分别超越现有最优方法 2.14% 和 6.82%。

本文结合 AI 编辑器二期调研实践，拆解 Agent 在协同文档中的身份取舍、可回放事实链、side-by-side Diff 展示，以及 run 级精准撤回机制，说明如何让 AI 的改动看得见、退得掉、不误伤协作者。

vivo蓝图实验室提出了长焦虚化渲染框架 MagicBokeh，基于一个统一的生成式架构实现长焦虚化渲染。通过交替训练策略、焦点感知掩码注意力与退化感知深度估计，解决了高倍变焦低质输入下噪声放大、边界模糊与误差累积的问题，在合成与真实数据集上均取得SOTA效果，为移动端高效真实感长焦虚化仿真提供了新方案。

本文介绍一套覆盖Web端、Vue编码阶段和Android App真机页面的检测工具链：Web端覆盖PC页面与H5页面，Chrome插件发现运行时问题；VS Code插件前置检测并结合大模型辅助修复；桌面端工具基于ADB、截图和 UI XML完成App检查，帮助团队形成质量闭环。

本文提出了一种适用于扩散模型的全新引导范式——自交换引导。针对传统引导方法高度依赖文本条件、需专门训练或直接加噪导致图像失真的局限性，SSG 提出了一种“无需文本、不加噪声、不改模型”的轻量化策略。

介绍自建的「OpenSpec 规范层 + AI Workflows 执行层」体系，通过一套「规范 + 技能 + 钩子」机制，对 AI 的理解、执行和校验进行系统化约束与增强，显著提升开发协作中的准确率与稳定性，让 AI 从“需要反复纠正的实习生”逐步成长为“可信赖的开发搭档”。

从 ReAct 出发，文章讨论 Agent 工程如何从“模型循环”走向 Harness：通过前后端共享的 State Schema、运行事实和 UI 边界，让模型行为变成可交互、可恢复、可控制、可追溯的产品能力。

笔者在不手写一行代码的情况下，通过AICoding2个工作日内完成了一个4年历史、2万行Vue项目的全面重构。核心观点：AI辅助开发的关键不在AI本身的能力，而在于人为AI建立的约束体系。

我们团队提出了VeraRetouch，一个轻量、全可微分、可移动端部署的多任务推理式照片修图框架。它不仅能自动修图，还能将用户想要的风格描述，把高层语言意图转化为像素级调整，执行精确的参数式调整，在保持图像结构和细节的同时完成专业化色调与色彩优化。

推荐系统擅长回答“推什么”，用户却卡在“怎么选”。 本文探索：不改排序，补上排序之后的“表达与决策”——把游戏理解透，让同类多款可比较、可解释、可追溯。做法是让大模型放开探索、用工程约束收住，使生成稳定进生产。目标不是替代排序，而是帮用户从“给结果”走向“帮决策”。

本文提出LearnIR，通过训练轻量网络预测梯度校正分布，实现无需前向算子的扩散后验采样校正；并设计动态分辨率模块，进一步抑制噪声。在多个图像复原基准上，LearnIR的PSNR、SSIM、LPIPS均达到先进水平。