据 MarkTechPost 报道，2026年9月26日发布的一篇教程展示了如何使用 AugLy 构建覆盖图像、文本和音频的多模态数据增强与对抗鲁棒性工作流，并将相关变换直接接入 PyTorch 数据集和 DataLoader。教程给出的流程从处理现代依赖兼容性问题开始，同时生成确定性的合成数据集，使实验保持自包含和可复现。
在图像处理部分，教程生成了带真值边界框的程序化“照片”，并演示 AugLy 的函数式 API、类式 API、元数据记录、强度跟踪、概率组合、边界框感知变换以及自定义变换。这些内容被用于后续鲁棒性实验。教程在图像失真条件下对感知哈希拷贝检测进行基准测试，以观察数据增强对拷贝检测表现的影响。
在文本部分，教程构建了一个情感分类语料库，并评估文本分类器对对抗扰动、Unicode 混淆和清理操作的响应，同时测试对抗训练的效果。文本增强与分类器评测被放在同一工作流中，增强不再只用于扩充训练样本，也作为衡量模型鲁棒性的手段。
音频部分同样被纳入。教程集成音频增强，并建立可查询的元数据仓库，用于记录和管理增强结果。教程还展示如何把 AugLy 变换连接到 PyTorch 数据集与 DataLoader，使图像、文本和音频的增强可以直接进入训练和评测管道。据 MarkTechPost 报道，该教程的目标是提供端到端视角，把增强同时视为数据生成机制和可测量的鲁棒性工具。
上述教程包含可运行代码，用于解决依赖项兼容问题，并固定随机种子以生成合成数据。教程未给出基准测试的绝对指标或与其他工具的对比结果，也未说明该工作流在真实大规模数据集上的表现。教程覆盖的范围从数据生成、元数据管理到模型鲁棒性评测，涉及图像、文本和音频三种模态。