BewlyBewly项目深色模式适配优化实践
项目背景
BewlyBewly是一个针对B站(哔哩哔哩)网页端的深色模式优化项目。随着深色模式在现代UI设计中的普及,越来越多的用户期望在各种场景下都能获得一致的视觉体验。本项目致力于为B站网页端提供全面的深色模式支持,解决原生界面在深色模式下可能出现的视觉不一致问题。
当前适配状态分析
通过对B站多个页面的调研,我们发现以下几个关键界面在深色模式适配方面存在改进空间:
-
视频音乐信息弹窗:当用户点击视频使用的音乐时弹出的信息框,当前未适配深色模式,导致在深色背景下可能出现视觉冲突。
-
UP主充电功能界面:为UP主充电的页面存在两种不同样式,均未进行深色模式适配,影响用户体验的一致性。
-
特殊功能页面:
- 404错误页面
- 热门内容页面
- 稍后再看列表
- 虚拟主播专区
- 会员购页面
适配优先级策略
基于用户使用频率和视觉影响程度,我们制定了以下适配优先级策略:
-
高优先级:直接影响核心用户体验的页面,如稍后再看列表、404页面等高频使用场景。
-
中优先级:特定功能页面,如UP主充电界面、视频音乐信息弹窗等。
-
低优先级:使用频率较低或专业性较强的页面,如创作中心、社区中心、公益活动页面等。
技术实现方案
深色模式适配主要采用以下技术方案:
-
CSS变量覆盖:通过注入自定义CSS变量,覆盖原生样式中的颜色定义。
-
媒体查询增强:扩展原有的prefers-color-scheme媒体查询,确保在不同系统主题下都能正确显示。
-
动态样式注入:对于特殊页面,采用JavaScript动态注入样式规则,解决静态CSS无法覆盖的问题。
-
渐进式增强:优先保证核心功能的视觉一致性,再逐步扩展至边缘功能。
已完成的适配工作
目前项目已完成以下页面的深色模式适配:
- 稍后再看列表页面
- 404错误页面
这些页面的适配显著提升了用户在深色模式下的浏览体验,解决了原本可能出现的白底白字等可读性问题。
未来优化方向
基于用户反馈和技术评估,未来将考虑以下优化方向:
-
核心功能全面适配:优先完成视频相关功能的深色模式支持,包括音乐信息弹窗、充电界面等。
-
边缘场景覆盖:逐步扩展至使用频率较低但仍有需求的页面,如会员购、虚拟主播专区等。
-
性能优化:研究更高效的样式注入方式,减少对页面性能的影响。
-
用户自定义:考虑增加用户自定义深色模式配色的功能,满足不同用户的个性化需求。
结语
BewlyBewly项目的深色模式适配工作是一个持续优化的过程。通过科学的分级策略和技术方案,我们正在逐步提升B站网页端在深色模式下的用户体验。未来将继续关注用户反馈,不断完善适配范围和质量,为B站用户提供更加舒适、一致的视觉体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00