Minus：用本地视觉模型拦截网页广告的 Chrome 扩展

Minus 是一款 Chrome 浏览器扩展，它没有采用传统的 URL 过滤列表方案，而是在浏览器内运行一个 4.5 亿参数的视觉语言模型 Minus-v0.1，直接「看」页面元素来判断是否为广告，并将被拦截的广告位替换为外语单词闪卡。所有推理均在用户本地完成，不上传任何页面数据，也不需要订阅或联网。

核心思路：从匹配 URL 到识别像素

传统广告拦截器依赖 EasyList 这类规则库去匹配 URL，面对轮换域名、原生信息流（chum-box）和视频流内广告常常失效。Minus 改为对候选元素进行像素级分类：第一方广告、赞助卡片、推荐位以及流媒体视频广告都能被同一套模型覆盖。拦截后页面布局保持原样，仅在被识别为广告的元素上覆盖一层单词闪卡，不会破坏阅读流。

工作流程

整个流水线由 content.js、后台 Service Worker 和 offscreen.js 三部分协作完成：

• 候选收集：content script 扫描所有 frame，收集 <img>、<iframe> 以及 id/class 类似广告位的容器，并结构化剔除同意横幅、视频播放器、未加载占位图等明显非广告元素。
• 取图：对展示元素调用 captureVisibleTab 截取当前激活标签的局部截图（带速率限制），对 <video> 元素直接读取视频帧。
• 模型推理：裁剪图送入 4.5 亿参数的 Minus-v0.1（基于 LiquidAI LFM2.5-VL-450M 微调），通过 WebGPU + transformers.js + ONNX Runtime Web 运行，量化后约 430 MB，仅回答「这是广告吗？」，并以 Yes/No 的 logits 给出校准后的 P(ad)。
• 分级阈值：处于广告上下文的元素在 P ≥ 0.60 时拦截；裸图须同时满足 P ≥ 0.88 且尺寸近似广告形状（近方形商品/编辑图不会被拦）；视频需要连续两帧判定为广告才会覆盖，并在广告结束时立即取消覆盖。
• 覆盖而非破坏：被拦截元素被替换为带词义、例句的闪卡，跟随元素位置，遇到弹窗会自动让出，附有「✕ 临时显示」和「⚑ 不是广告」反馈按钮。

只有当前激活标签会被扫描，扫描任务在没有覆盖内容时会自动合并挂起，WebGPU 设备丢失时引擎会自行重建。

覆盖范围

• 展示/横幅广告：静态 <img>、广告 <iframe> 以及广告形状的容器，基于标签截图分类。
• 视频广告：检测器对每个视频帧运行，播放内 <video> 广告约每 2.5 秒重采一次并采用两帧滞后策略；在跨源 iframe 内无法直接读取视频的播放中广告由顶层 motion sampler 兜底；广告一结束立即取消覆盖。DRM 视频（如部分 Vevo 音乐视频）渲染为不可读黑色硬件叠加层，模型无法识别，其前贴片不会被覆盖，内容也不会被误伤。
• 弹窗/劫持标签页：识别「点击非链接区域→弹出整页广告落地页」的模式，由模型确认后给出「关闭标签页」或「显示页面」选项，绝不自动关闭真实链接打开的标签。
• 弹层让位：当模态框覆盖在被拦截广告之上时，闪卡通过 clip-path 让出区域，保持对话框可点击。

模型与基准

默认引擎 Minus-v0.1 已在 Hugging Face 开源，是 LiquidAI LFM2.5-VL-450M 的微调版本，训练数据来自 minus HDMI 设备采集的流媒体电视画面、网页展示广告以及约 1 万条挖掘出的困难负样本（商品图、编辑内容、UI 元素、同意横幅、聊天窗口）。其发布门槛上的表现如下：

• 流媒体留出集（1,956 帧）：广告召回率 99.90%，非广告召回率 98.06%。
• 静态网页基准（999 张图）：广告召回率 98.0%，仅 11 个误报。
• 商品图误报留出集：199 张中误报 1 张。
• 浏览器实跑精度：经数月持续运行，稳定在约 90–94%。

模型卡中包含训练方法、ONNX 量化策略以及 transformers.js 的调用示例。弹出面板提供本页面拦截计数、暂停、类型开关、阈值滑杆、引擎选择和单词闪卡的间隔重复复习入口。