SIRF：面向工业级内容风险管控的规范内化风险基础模型

arXiv:2609.11752v2 公告类型：替换并交叉收录 摘要：对于工业级内容风险管控，实际部署的约束并非平均准确率，而是在高精确率和秒级延迟下能够自动处理多少风险。我们提出 SIRF（Spec-Internalized Risk Foundation Model），通过 EntiGraph、MAGA 改写和账号级思维链（CoT），在无需额外人工标注的情况下合成平台的复杂政策数据，再通过持续预训练（CPT）将其内化到模型权重中，从而在超低延迟、仅输出判定结果的部署模式下，以高精确率执行规则。受控的同源对比（Qwen3-8B-SFT 与 SIRF-8B-SFT，采用相同的政策注入方式和仅输出判定结果的形式，唯一区别是是否进行以政策为依据的 CPT）表明，性能提升源于内化：SIRF-8B-SFT 的 Black Recall@P95 达到 71.3%，较基线提升 15.1 个百分点，仅使用约 7000 万个 CPT token，且未损害通用能力；在纳入比较、采用该接口且可获取 logprob 的模型中，其表现持平或超过规模大得多的系统。SIRF 已作为树模型的裁决层部署（纠正的误处罚样本增加 20%），并以较低成本迁移到冻结场景（误处罚相对减少约 70%）。