分层检测：级联模型与联合模型在有害语言识别中的量化对比

在细粒度有害语言检测任务中，标签通常被组织为层次结构，目前存在两种主流建模范式：级联分解与联合多任务建模。然而，先前研究很少对这两种范式在准确率、参数量和推理延迟等维度进行直接、可控的比较，也鲜有验证所选类别不平衡处理策略是否真正最优。

近日，一项发表于arXiv的研究提出了一套三级级联检测系统，其训练策略针对每个子任务进行定制化设计，并引入两种验证机制。首先，通过控制性消融实验确定每个子任务最佳的类别不平衡处理策略；其次，训练一个共享编码器的联合多任务模型作为架构对照，从而在准确率、参数量和推理延迟三个维度获得真实测量数据。

实验结果显示，该级联系统在官方测试集的三个子任务上分别取得了0.795、0.716和0.557的宏F1分数。消融研究发现，仅凭不平衡严重程度直觉配置损失函数并非最优选择；基于消融结果重新配置后，系统性能和稳定性均得到提升。端到端级联评估表明，约五分之一的级联管道错误源自第一阶段过滤器，且无法被后续阶段纠正。

与联合多任务模型相比，级联架构在全部三个子任务上均实现了更高的准确率，在最严重不平衡子任务上取得了7.1个百分点的宏F1提升，代价是参数量增加三倍、推理延迟提高1.67倍。这些结果共同确立了级联架构在准确率优势与部署成本之间明确、可量化的权衡关系。