Musubi发布开源决策模型PolicyLM-1.7B，以LLM灵活性重塑内容审核效率

【科技24时区】当决策模型在AI行业迅速蔓延之际，初创公司Musubi提出了一种颇具新意的落地场景：内容审核。周二，该公司正式发布了名为PolicyLM-1.7B的轻量级决策模型，并公开了权重。这款专为实时审核设计的模型，核心卖点在于其极致的响应速度——它能在50毫秒内，将用自然英语撰写的内容政策直接应用于消息判定。

从技术架构上看，Musubi试图在成本与速度上对标目前主流社交平台所使用的传统AI分类器系统，但其底层逻辑却截然不同。得益于现代大语言模型（LLM）的灵活性，PolicyLM-1.7B无需经过繁琐的专项训练，即可理解并执行复杂的内容政策。更为关键的是，当平台政策发生调整时，该模型无需重新训练，这赋予了人类政策制定者极大的迭代自由度，使其能够根据实际需求灵活调整规则边界。

“产品团队渴望更深入地洞察平台动态，尤其是在内容量呈指数级增长的当下，”Musubi联合创始人兼首席人工智能官Filip Jankovic指出，“能够以高度可扩展且可定制的方式对所有内容进行打标，具有极高的实用价值。”在他看来，这一工具为平台管理者提供了一种主动标记内容的有效路径，从而在海量信息中建立秩序。

自今年9月TypeSafe AI发布Jev以来，决策模型已成为AI领域的热门议题，随后OpenAI和亚马逊也相继推出了竞争性产品。与传统生成式模型不同，决策模型不输出文本，而是输出结果概率；在Musubi的应用场景中，这种输出被简化为二元判断：内容要么属于某类别，要么不属于。通过将输出限制在预设选项范围内，决策模型在保持Transformer架构灵活性的同时，实现了比大型语言模型更快、更廉价的运行效率。

值得注意的是，尽管决策模型最初被用于约束AI代理的不当行为，但将其应用于规范人类用户行为似乎顺理成章。Jankovic透露，他对决策模型的兴趣早于Jev的发布，可追溯至2024年的一个名为GLiNER（通用命名实体识别模型）的项目，该项目已部署了许多类似的技术手段。

面对外界将其与Jev进行的比较，Musubi并未表现出回避态度，反而希望借势提升公众对内容审核技术的关注。其产品公告直言：“如果Jev吸引了你的目光，那么PolicyLM-1.7B就是同类型的模型，只不过它专为内容审核训练，且支持本地化部署。”这种开放姿态，或许正是其在激烈竞争中寻求差异化突围的关键一步。