本文属于数据飞轮专题。先逐模块研究数据来源、清洗、GT、检索挖掘、配方、训练和评测，再讨论平台架构、产品工作台与多轮迭代。研究覆盖 LLM、VLM、具身与智驾，也把世界模型和空间智能中的时空结构、物理约束与可观测性纳入讨论。

资料核验日期为 2026 年 10 月 13 日。论文结果按原始实验条件理解；动态文档按访问时的版本理解。本文使用三类依据：论文与公开实现、企业公开工程描述、本文设计建议。后两类在文中明确标注。文末给出资料索引，重要论断在附近直接链接原始来源。

代表方案按公开程度、可复现机制与实际技术贡献选择。Llama、Qwen、Waymo、NVIDIA 的公开材料适合研究不同链路；FiftyOne、Argilla、CVAT、Rerun 等适合研究具体工作台。它们覆盖的边界不同，本文不建立跨领域的品牌总榜，也不将未公开的企业内部机制补写成事实。

这些要求会直接改变训练数据的生产方式。我们可以在 3D 场景中重渲染同一个人，可以让生成模型制造柔光或侧光候选，也可以让 Agent 操作可追溯的修图工具，或者从好照片合成低质量输入。四条路线都能批量产生数据，但提供的监督并不相同。一个可靠的 Auto-GT 系统，要能解释目标图根据什么成立、哪些内容允许变化，以及审核通过之后能用于什么训练与评测。

本文属于数据飞轮专题，聚焦人像重打光、摄影背景虚化以及相关的曝光、噪声、清晰度和色彩恢复。资料与动态许可核验日期为 2026 年 10 月 13 日。研究事实按原论文和具体版本理解；平台架构、预算和实施顺序属于本文的工程设计。最后一节说明本轮实现设计与交付边界。