docs: fix artimuse example link; polish Tuiwen.md

docs/artimuse.md

@@ -10,9 +10,9 @@ RuleImageArtimuse 基于 ArtiMuse 在线服务对输入图片进行美学质量
 
 本文档的测试图片均由 Google Gemini 2.5 Flash Image（社区常称 “nano‑banana”）按提示词生成，后经人工筛选整理并托管在 OpenXLab；完整清单见 [test/data/artimuse/test_artimuse_nano_banana.jsonl](../test/data/artimuse/test_artimuse_nano_banana.jsonl)。我们将这批样例汇总为迷你集合 nano_banana，覆盖人像、室内、产品、电商、插画等多种风格，便于快速复现。
 
-在仓库根目录运行 `python [examples/artimuse/artimuse.py](../examples/artimuse/artimuse.py)` 可完成评估；如设置 `output_path`，将在该目录生成带时间戳与短 ID 的子目录，包含 `summary.json` 与逐条明细。可用 `python -m dingo.run.vsl --input <输出目录>` 打开可视化页面。
+在仓库根目录运行 `python examples/artimuse/artimuse.py`（[examples/artimuse/artimuse.py](../examples/artimuse/artimuse.py)）可完成评估；如设置 `output_path`，将在该目录生成带时间戳与短 ID 的子目录，包含 `summary.json` 与逐条明细。可用 `python -m dingo.run.vsl --input <输出目录>` 打开可视化页面。
 
-判定基于 `data.score_overall` 与阈值 `threshold`：低于阈值为 BadImage，否则为 GoodImage；服务端 `data` 原样写入 `reason[0]` 便于溯源。结合 nano_banana 的样例，低分多见于贴纸或合成画面写实性不足、Logo/文字遮挡主体、风格迁移过强导致色彩与细节失真、截图噪声多而缺乏摄影要素、纯 Logo 缺少摄影主体、以及过度后期造成的不自然等情况；应尽量突出主体、控制曝光与清晰度、减少压缩与过重滤镜、移除干扰元素，并保持整体风格一致。
+我们的判定是基于 `data.score_overall` 与阈值 `threshold`的，如果低于阈值那么就是 BadImage，否则为 GoodImage；服务端 `data` 原样写入 `reason[0]` 便于溯源。并且，结合 nano_banana 的样例，低分多见于贴纸或合成画面写实性不足、Logo/文字遮挡主体、风格迁移过强导致色彩与细节失真、截图噪声多而缺乏摄影要素、纯 Logo 缺少摄影主体、以及过度后期造成的不自然等情况；应尽量突出主体、控制曝光与清晰度、减少压缩与过重滤镜、移除干扰元素，并保持整体风格一致。
 
 
 

docs/posts/Tuiwen.md

@@ -0,0 +1,91 @@
+# 文案
+
+
+# 替你们试过了，nano-banana 很能打——用Dingo × ArtiMuse 做一次“审美盲检”
+
+
+　　最近大家都在玩 nano-banana 的出图能力，我们也上手了一把。但我们不只看“能不能生图”，更在意“这图到底好不好看、为什么好看”。
+
+
+　　于是我们的小队把它当做了一个样本工厂——先用 nano-banana 生成一批不同风格的图片，再交给 ArtiMuse 给出总分 + 8 维点评，由 Dingo 把这一整套评测流程编排起来、统一阈值判定、最后出一页好懂的可视化报告。
+
+
+为什么用Dingo × ArtiMuse？
+
+
+　　ArtiMuse 本质上是个“会看图、会讲理”的审美引擎——不是给完一个总分就溜了，而是把一张图拆成八个角度来解释：构图、视觉元素、技术执行、原创性、主题表达、情绪反应、完形成闭到综合评估。看完分数，用户就能顺着这些维度去下手：哪里要裁、哪里要减元素、哪里要把细节抠出来，一清二楚。为了让“会讲理”这件事靠谱，我们做了一个一万张规模的 ArtiMuse-10K，摄影、绘画、设计到 AIGC 都覆盖，每张图都有经验评审给了总分和八维标注，题材和风格都够杂，所以学出来不挑食，泛化更稳。打分这块我们没走“分档→映射”的老路，而是把分数当连续值来学（可以理解成 Token-as-Score 的思路），好处是稳定、可重复、能分清那些细微但关键的差别。实际对比下来，ArtiMuse 在常见美学数据集上的相关性更高，而且最关键的是不只告诉用户分数，还能把得到这个分数的原因讲明白，选图、复盘、质检都能实现轻松推进。
+
+
+[ArtiMuse 二维码（本地）](../../../../../artimuse/ArtiMuse/assets/images/QRcode.jpg)
+
+
+　　落到工程实践里，就轮到 Dingo 把这套“懂审美”的能力变成一条顺滑的流水线：图片喂进来，内置的 RuleImageArtimuse 通过 HTTP 先创建任务再按节奏轮询状态，任务完成就取回 score_overall，用本地的门槛（默认 6）统一判 Good/Bad，同时把服务端的细粒度 data 原样写进 reason，后面做报告展示和问题追溯都有据可查。需要更全面的时候，Dingo 还能把别的规则一并拉起来跑，比如宽高比大于 4 或小于 0.25 直接判无效尺寸，清晰度用 NIMA（常用门槛 5.5），重复检测走 PHash 加 CNN，图文相关性用 CLIP 做打分（也可以换成句级嵌入更稳）。这样一套下来，你拿到的不只是一个分，还有成体系的证据链和可执行的改进方向——标准对齐了，流程固定了，协作也更少扯皮。
+
+
+[本地文件](../assets/dingo-logo.png)
+
+
+　　话不多说，来看看这波随堂测试的成绩。结果很直观：共 20 张样本，默认阈值 6 分；通过 15 张（75%）、拦下 5 张；端到端约 2 分 06 秒跑完一批，平均 ≈6.3 秒/张（主要是轮询节奏保守）。高分样本普遍有“主体明确、光影自然、细节保真、叙事清晰”的共性；被判低分的，大多是贴纸/Logo 占画面过大、过度风格化导致细节丢失、或构图过平导致视觉张力不足。
+
+
+让我们通过一些“典型案例”，来看看如何来度量每一张图的好坏吧！
+
+
+首先映入眼帘的，是夜光中的城市
+
+
+![夜光中的城市](https://openxlab.oss-cn-shanghai.aliyuncs.com/artimuse/dingo/nano/city.png)
+
+
+　　它的总分为 7.73。我们的artimuse给出的评价是：它的画面层次和动线非常清晰：街道与建筑把视线稳稳引向画面中心，灯牌与反射撑起了氛围感；技术上曝光、清晰度都在线，霓虹与湿路的反光细节拉满。小瑕疵是热点略亮，若再压一点高光，完整度会更高。
+
+
+然后我们看到了一位手工艺品的匠人老爷爷
+
+
+![手工艺品的匠人老爷爷](https://openxlab.oss-cn-shanghai.aliyuncs.com/artimuse/dingo/nano/photorealistic_example.png)
+
+
+　　这幅图得到了7.42的高分。暖光打在工匠与器物上，构图稳、故事立，背景的陶器虚而不乱，整体非常耐看。在artimuse看来，这张图片不仅主题表达表现不错，同时技术执行也做得十分不错，它对焦精准、细节丰富、色调统一；唯一的小小缺憾在于“原创性”，题材偏传统，惊喜感略少。
+
+
+第三张和第四张就是一些表现欠佳的图片了。
+
+
+![贴纸小熊](https://openxlab.oss-cn-shanghai.aliyuncs.com/artimuse/dingo/nano/red_panda_sticker.png)
+
+
+　　先贴一张超可爱的贴纸小熊在你的桌面~它的总分是 4.82。它并非画质差，相反线条干净、细节清楚，但问题在视觉张力与完形：构图过平、层次单薄、装饰感强于叙事，导致“看着可爱，但审美深度不够”。如果是要做表情贴是完全没有问题的，但放在审美评分里，非常可惜，就容易吃亏。
+
+
+最后的例图就是一张纯 Logo的极简图形
+
+
+![纯 Logo的极简图形](https://openxlab.oss-cn-shanghai.aliyuncs.com/artimuse/dingo/nano/logo.png)
+
+
+　　它获得的总分是 5.68。功能性很强、识别度也没问题，但在“原创性、情绪感染与整体艺术性”上自然拿不到高分——这类图在“质检/合规”场景里 OK，可如果作为一张“好看精选图”，那么就有一些不占优势。
+
+
+　　如果你也想把“凭感觉选图”升级成“有标准的选图”，这套组合的逻辑其实很简单：ArtiMuse 先把每张图拆成 8 个维度给出理由和分数，再把总分回填给 Dingo；Dingo 这边统一用一个阈值做 Good/Bad 的门槛（默认 6，可一键调整），还支持把尺寸有效性、清晰度（NIMA）、重复度、图文相关性这些规则并行拉起来，一次性出“多维体检卡”。我们自己的感受是：选图效率和沟通成本直线下降——尤其在团队需要统一审美标准的时候。
+
+
+　　对于一些具体的参数，在这里小编也给个参考：对外展示、品牌上线时建议把门槛调到 6.5–7，宁缺毋滥；内容生产/日更选图可以放在 5.8–6.2，效率与质量折中；教学或创作迭代则用 5.5–6，保留更多边缘样本来“反向练”。如果你更追求时效，也可以把轮询间隔从 5 秒收紧到 2–3 秒，再配一个 90 秒的上限，整批用时会明显压缩。
+
+
+最后留一个小清单，方便对号入座：
+
+
+- 想做内容上线门禁/品牌质检：Dingo 里开 ArtiMuse + 清晰度/尺寸/重复/相关性四件套，报表一页搞定；
+
+
+- 想做大批量选图：把阈值先设 6，Good 先发，Bad 留作人工复核或改图清单；
+
+
+- 想做创作提升/教学反馈：多看 ArtiMuse 的维度点评摘录，按“构图/光影/元素删减/叙事”四步复盘，进步很快。
+
+
+立即复现（开源仓库）：Dingo（GitHub）https://github.com/MigoXLab/dingo ｜ ArtiMuse（GitHub）https://github.com/thunderbolt215/ArtiMuse
+
+
+　　样图来源注明一下：上面的示例由 nano-banana 生成/编辑，仅用于技术评测。想拿到我们这次的评测模板、规则配置和示例脚本，评论或私信「Dingo 评图」，我把可复现素材包发给你。我们也会持续更新更多风格的对比结果（比如“人物一致性”“多图融合”“产品演示”），把“好看”真正变成你团队的一条流水线。