零、引言
一條保健品廣告在系統裏亮起了紅燈。

視頻裏，一位精神矍鑠的老人正在分享體驗。畫面看似陽光健康，但我們的風險定位模型精準捕捉到了違規點——那句"喝了能夠清宿便，相當於給腸道做SPA"的文案，涉及到醫療保健功效問題。
按照傳統流程，這條廣告將被駁回，客户需要根據政策修改創意，然後重新提交。這個過程往往伴隨着不確定性：哪裏違規？怎麼改才能通過？多次往返溝通也會影響投放效率。

但這一次，AhaEdit讓流程變得不同。系統在識別風險的同時，已自動生成合規版本，將違規文案替換為“緩解腸道壓力”。從風險定位到合規優化一步到位，客户可直接使用的修改後的素材進行持續投放。在快手商業化風控平台，我們每天審核數億創意。

面對海量且複雜的廣告內容，如何在保障合規的同時，讓創作者清晰知“怎樣才能過審”——這就是AhaEdit致力解決的核心問題。

一、困在“猜謎遊戲”裏的創意人
“素材又被拒了，到底哪裏不行？” 這可能是廣告創作者最頭疼的問題。現在的審核系統就像一個“信息黑洞”——你知道有問題，卻不知道問題在哪，只能憑經驗試錯。“如果能直接告訴我是哪一幀、哪句文案有問題就好了。”這是許多創作者的心聲。特別是對於時效性強的營銷活動，快速定位問題、高效完成修改，能夠有效提升投放效率。

商業化廣告審核的特殊性在於：既要保障合規“安全”，也要實現營銷“效果”。通用審核規則側重風險規避，但優質的商業表達需要在合規基礎上充分釋放傳播價值。比如，將違規的“第一”簡單替換成“最佳”，雖然規避了排名類用詞，但“最佳”本身仍可能被判定為絕對化表達。這反映出一個關鍵需求：風控審核不僅要識別“什麼不行”，更要提供“怎樣表達更好”的建設性方案。

在商業化生態安全場景下，商業化風控圍繞自建風控明鏡大模型BLM，依據業務所需構建了系列大模型。專門用於修復素材的就是其中的BLM-AhaEdit，這個名字取自“Aha Moment”——期望每一次修復，都不只是簡單的合規通過，而是一個能激發靈感、實現“點石成金”的“頓悟時刻”。

二、從“發現問題”到“解決問題”的技術突圍

面對這些挑戰，我們決心讓AI學會的不僅是識別風險，更是修復風險。這條技術突圍之路並不平坦。
首先，通用大模型在廣告修復上表現不佳：

• 風格保持性差：修改後的字體影響觀感，畫面失去原意
• 缺乏全局觀：遮擋一個Logo時，會忽略背景透視關係，留下生硬“補丁”多
• 對象協同難：修復多個關聯元素時，容易出現邏輯斷裂可控性挑戰：生成式模型的隨機性導致修復結果時好時壞，這在商業化廣告場景中是致命的。

在這些問題的背後，隱藏着一個關鍵的因素：編輯模型難以將編輯指令與編輯區域精細匹配，導致模型出現幻覺，生成偏離指令甚至違反物理規律的結果。

為此，我們為AhaEdit設計了一套獨特的技術路徑：“分層解構、精準定位、定向生成”，構建了“審核-定位-修復-再審核”的閉環修復系統。在這個系統中，我們聚焦兩項核心能力：“風險定位”和“AI修復”，不僅告訴模型怎麼改，還要讓模型知道改哪裏，為什麼改。

2.1 風險定位：AhaEdit的“火眼金睛”
在數字廣告的浩瀚海洋中，精準識別風險是AI修復的第一步。AhaEdit的風險定位模型，就如同為系統裝上了一雙“火眼金睛”——它不僅要找到違規的“病灶”，更要精準診斷其“病因”。

多模態精準打擊：從“看到”到“看懂”
我們為不同形態的素材，設定了統一的精準定位範式：

• 文字素材：直接定位到違規的具體詞彙或片段，並闡明其觸發的審核條款。
• 圖像素材：以包圍框圈定違規區域，並解釋其違反的具體規則
• 視頻素材：精確到違規內容出現的起止時間戳，實現對動態內容的幀級管控。

這些信息共同為後續的修復模型繪製出一張清晰的“手術導航圖”，指明瞭不僅是“改哪裏”，更是“為什麼改”的核心方向。

架構革新：“識別+定位”的一體化
作戰傳統的風險定位流程如同一個鬆散的“流水線”：先識別風險類型，再根據類型去定位風險區域。這種兩階段模式存在天然的“阿喀琉斯之踵”——誤差累積。前序的識別誤差會直接傳遞給後續定位，導致“失之毫釐，謬以千里”。

為從根本上解決這一問題，我們摒棄了傳統架構，訓練了一個“識別與定位一體化”的端到端模型。主要包含兩個核心環節：即CoT SFT和RL環節，將風控審核規則與大模型深度融合，完成風險定位能力建設。

將風險識別和風險定位兩個任務深度融合，實現了兩大核心優勢：

• 誤差最小化：一體化建模消除了階段間的誤差傳遞，顯著提升了定位精度。
• 任務協同化：識別與定位過程相輔相成。模型在識別“是什麼”風險時，對場景的深度理解會反向增強其“在哪裏”的定位能力，形成了“1+1 > 2”的協同效應。

這雙經過架構革新錘鍊的“火眼金睛”，讓AhaEdit能夠在億級創意中，瞬間鎖定毫釐之間的風險，為後續的精準修復奠定了無可撼動的堅實基礎。

2.2 AI修復：兼具外科醫生的精準與藝術家的美感
當風險被精準定位後，系統便進入了最具挑戰性的環節——修復。這不僅需要外科手術般的精準，更要求藝術家般的審美，以確保修復後的內容“天衣無縫”。我們為此構建了一套“理解-生成”協同的AI修復流程。

理解環節：基於大模型的編輯決策
面對一個違規元素，首要問題是確定“如何修”。是直接刪除，還是尋找合規的詞彙或視覺元素進行替換？甚至是調整人物姿態以符合規範？

我們引入VLM大模型作為系統的“策略大腦”，它能根據風險定位信息進行深度語義推理，生成最優的編輯方案，告訴模型“怎麼改”。

生成環節：數據與算法雙輪驅動的專有模型
明確的指令需要卓越的“執行者”。我們並未使用通用模型，而是專門為商業化廣告場景，從數據與模型兩方面入手，訓練了一個專業的AIGC編輯模型。
1. 數據基石：構建行業領先的廣告修復“教科書”
高質量的訓練數據是模型的基石。由於廣告素材的多樣性與複雜性，我們設計了一套 “預處理-生成-後處理” 的數據自動化生成鏈路，系統性地構建了百萬量級的商業化場景數據集，覆蓋文本、圖像、視頻模態，基本囊括了所有常見廣告場景，其中圖像和視頻數據生成鏈路如圖6所示。

2. 模型鍊金術：基於DiT架構的精細化訓練
我們採用DiT架構作為模型主幹，並通過LoRA微調等技術大幅降低訓練成本。為了讓模型精準理解“怎麼改”、“改哪裏”和“為什麼改”，我們將編輯指令與風險定位信息作為控制條件輸入。

訓練採用由粗到精的兩階段策略：

• 階段一：大規模能力奠基。我們以文生圖/視頻模型為基座，結合開源與廣告數據，使用千萬級數據進行預訓練，讓模型廣泛掌握各種編輯技能。
• 階段二：商業化場景精修。本階段僅使用高價值的廣告場景數據微調，並將編輯指令和風險定位信息融入提示詞，使模型能精確定位風險區域並理解違規原因，最終確保編輯結果在視覺、語義與合規性上都達到高標準。

通過這套“策略大腦”與“專業巧手”的協同，AhaEdit的修復不再是簡單的塗抹，而是基於深度理解的智能再創造，真正實現了從感知到執行的無縫閉環。

三、“一鍵過審”正在成為現實
如今的AhaEdit已經能夠支持多種模態的素材修復：

• 文本編輯：精準刪除或替換違規詞彙
• 圖像編輯：文字擦除、物體擦除/替換、人體表情/姿態調整、背景替換
• 視頻編輯：擦除/替換違規元素這意味着，那些曾經需要數小時甚至數天的修改流程，現在可以在幾分鐘內完成。

“一鍵過審”從一個美好願景，正在變成可衡量的技術指標。讓我們一起來看看AhaEdit的“魔法”。

3.1 文本編輯--文本刪除/替換編輯方法

3.2 圖像編輯--文字擦除
prompt：擦除圖像中的標語和符號編輯前編輯後

3.3 圖像編輯--物體擦除/替換
prompt：擦除畫面中紅色燈籠編輯前編輯後

prompt：將陶瓷杯替換成盛着水的透明玻璃杯

3.4 圖像編輯--人體表情/姿態調整
prompt：將畫面中人物表情修改成微笑

prompt：將畫面中人物頭部姿態修改成朝前看

3.5 圖像編輯--背景替換
prompt：將畫面背景替換成黃土地背景編輯前編輯後

3.6 視頻編輯--字幕擦除
prompt：擦除視頻下方的字幕

3.7 視頻編輯--物體擦除
prompt：將視頻中的貓擦除

3.8 視頻編輯--物體替換
prompt：將視頻中的黑色越野車替換成轎車

四、邁向新範式：內容理解與內容生成的統一

AIGC技術正朝着更高效、更輕量的方向演進。在這個背景下，風控審核正在經歷一場深刻的範式變革。通過建設AhaEdit，我們不再止步於過去單一的內容理解，而是構建了內容理解與生成的統一能力，即在識別風險的同時，提供智能化的修復方案。這一轉變尤其對中小自助客户意義重大：有效解決了廣告主不理解審核規則、難以精準定位問題的痛點，助力廣告主長效經營。

面向未來，我們的目標是構建下一代智能編輯架構：將內容的理解、定位與編輯能力深度融合於單一模型，從根本上實現從感知到生成的統一。為此，我們將聚焦四大技術攻堅：生成過程的可控編輯、跨模態內容的高一致性、實時的人機交互體驗，以及多模態的協同編輯。特別是在充滿挑戰的視頻領域，我們致力於攻克時序和空間一致性的核心難題，打造真正高效、輕量的長視頻編輯解決方案。

讓創作更自由，讓表達更安全。這不只是目標，更是我們的使命——顛覆性內容審核創新，理解+生成統一範式，助力商家持續經營。