SIRF 将平台内容审核规则内化为模型能力

Suwan Wu 等研究作者提出 SIRF（Spec-Internalized Risk Foundation Model），通过持续预训练将平台复杂内容策略内化到模型权重，使模型能够以低延迟、仅输出判定结果的方式执行工业内容风险控制。 该方法先利用 EntiGraph、MAGA rewriting 和账户级思维链（CoT）合成策略训练数据，无需额外人工标注，再通过约 7000 万个持续预训练 token 完成策略内化。研究称这一训练过程未损害模型的一般能力，并通过 Qwen3-8B-SFT 与 SIRF-8B-SFT 的同源对照实验，在保持策略注入方式和输出形式一致的情况下，比较策略内化预训练带来的差异。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。