SIRF模型将平台规则内化至权重以提升工业风控效率
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载把规则写进模型权重
SIRF 的核心做法是把平台已有的复杂规则体系转成训练语料，再通过继续预训练（CPT）把这些规则固化进模型参数。规则语料的构造不依赖额外的人工标注，而是走三条合成路径：EntiGraph、MAGA 改写，以及账户级别的思维链（CoT）。这样做的结果是，模型在部署时只需要输出判定结论，不必在推理阶段再拼接规则文本或做多步检索，从而在保持高精度的同时把延迟压到秒级。论文把这一思路概括为“规范内化”，即让规则成为权重的一部分，而不是外挂的提示或后处理模块。
同源对照拆出增益
为了判断性能提升究竟来自规则内化还是其他因素，作者设计了一组同源对照实验：一侧是 Qwen3-8B-SFT，另一侧是 SIRF-8B-SFT，两者使用相同的规则注入方式和相同的“只输出判定”形式，唯一差别在于后者多做了以规则为依据的 CPT。结果显示，SIRF-8B-SFT 的 Black Recall@P95 达到 71.3%，比基线高出 15.1 个百分点；这一提升只用了约 7000 万 CPT token，并且没有损害模型的通用能力。作者据此把增益归因于内化本身，并指出在该接口下、属于可获取对数概率的模型范围内，它的表现与规模大得多的系统相当甚至更好。
线上作为裁决层
在部署形态上，SIRF 被用作树模型裁决层，实际效果是额外找回了 20% 被误罚的样本。论文还报告了向一个冻结场景的迁移：以较低成本完成适配，误罚相对下降约七成。这些数字说明该方案的价值不只在离线指标，而在于高精度前提下能自动处理多少风险、以及秒级延迟能否守住。需要留意的是，材料给出的对比结论限定在“只输出判定”这一接口和可获取对数概率的模型范围内，超出该范围的系统并未纳入比较；规则语料的合成方式也绑定具体平台的规则体系，换到规则结构差异较大的场景时需要重新构造语料并做 CPT。
对落地意味着什么
对做内容风控的团队来说，这份工作给出的信号是：与其在推理阶段堆提示、加规则引擎，不如把规则提前压进模型，用判定式输出换取延迟空间。约 7000 万 token 的 CPT 规模相对克制，且未伤及通用能力，意味着这条路径的算力门槛不算高；同源对照的设计也提供了一个可复用的评估范式——固定注入方式与输出形式，只改一个变量，才能把收益说清楚。同时，误罚回收与冻结场景迁移两项结果提示，内化后的模型可以嵌进已有的裁决流程充当一层，而不是整体替换原有系统。
为什么值得看
提出将规则内化至权重的新范式，在毫秒级延迟下显著提升工业风控自动化率。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。