内容审核

研究发现，现有毒性检测工具在多语言、语码混合、音译及俚语场景下可靠性存疑。研究者提出ToxGate方法，将外部信号作为条件证据处理，显著提升了高风险内容的识别效果。

研究人员提出一种混合建模方法，结合DeBERTa和AfroXLMR-Social模型，针对英语和豪萨语中的极化言论进行检测与分类，在资源受限环境下取得竞争性结果。

Anthropic 首次公开 Fable 5 模型网络安全分类器的具体拦截范围，并发布了越狱攻击严重性评估框架草案。

研究人员提出基于Transformer的极化检测方法，通过类别权重和阈值调优技术，在英语和斯瓦希里语的多标签分类任务中取得显著效果。

研究提出DriftGuard框架，通过多维度监控毒性内容的演化漂移，并采用选择性模型更新策略，提升在线内容审核系统在动态环境中的安全性与适应性。

通义千问发布首个安全护栏模型Qwen3Guard，基于Qwen3基础模型微调，可实时检测提示与回复的安全性，支持多语言环境。