LLM 作为评委：大模型输出内容审核的新思路

LLM 作为评委：大模型输出内容审核的新思路

随着大语言模型（LLMs）的崛起，人工智能领域正经历着前所未有的变革。这些模型凭借其强大的多功能性，在各个领域展现出了巨大的潜力。然而，正如古语所说，“能力越大，责任越大”，LLMs在带来便利的同时，也带来了诸多挑战，尤其是当它们可能被操纵生成有害、不当或非法内容时。因此，对LLMs的内容审核成为了一个至关重要的议题。本文将探讨如何使用LLMs作为内容审核的评判，为内容安全领域提供新的见解和解决方案。

一、内容审核的现状与挑战

（一）假阳性 / 假阴性问题

传统内容审核方法可能会将无害内容误判为有害内容（假阳性），或者无法检测到微妙的有害内容（假阴性）。例如，某些审核系统可能会因为关键词的误判而错误地标记一些正常的表达。

（二）缺乏灵活性

这些系统难以处理更复杂或不断演变的威胁，如复杂的越狱尝试（用户试图通过巧妙的操作绕过限制）。它们往往基于预设的规则和模式进行审核，对于新颖的、巧妙设计的违规内容可能无法有效识别。

（三）忽视语境

内容审核通常在没有完整语境的情况下进行，这可能导致它们无法捕捉通过间接语言或委婉语生成有害内容的细微尝试。例如，一些具有歧义的表述在脱离语境时可能无法被准确判断其是否有害。

二、LLMs作为内容审核评判的优势

为了应对传统内容审核系统的局限性，人们开始探索将LLMs作为内容审核的评判。LLMs作为评判具有灵活性和动态性，能够评估输入（提示）和输出（响应）在各种任务中的情况。它们能够识别微妙的操纵并理解上下文，从而捕捉到可能逃避传统内容审核系统的有害内容。

在内容审核中，LLMs作为评判可以发挥以下优势：

1. 提高准确性：通过结合上下文信息和更复杂的语言理解，LLMs能够更准确地判断内容是否有害。
2. 增强灵活性：LLMs能够适应不同的内容审核需求，并根据需要进行定制和调整。
3. 降低误报率：通过更深入地分析内容，LLMs可以减少误报情况，提高内容审核的可靠性。

三、传统内容审核+LLM评判模型介绍

LLM应用中内容安全保护的概述

为了更好地理解内容安全保护的有效性，我们对OpenAI、AWS和Azure等三家领先的供应商进行了详细评估。评估的重点是它们检测有害内容和阻止越狱的能力。我们评估了传统的内容审核系统和使用LLM作为评判以增强检测的概念。

内容安全保护系统概述

以下是我们在每次评估中使用的内容安全保护系统：

• OpenAI内容审核平台
• AWS Bedrock Guardrails
• Azure内容安全

为了最大化Azure内容安全的效率，我们使用了所有三个功能：文本分析、越狱攻击检测和提示盾牌，以确保强大的保护并最小化有害内容或越狱攻击到达AI模型的风险。这种方法提供了全面的安全层，使Azure内容安全能够有效地检测和处理复杂的威胁。

LLM作为评判

对于LLM作为评判的评估，我们使用了以下模型：

• OpenAI GPT-4o
• AWS Bedrock Claude Haiku 3
• Azure OpenAI GPT-4o

所有模型都配置了相同的系统提示，基于Azure OpenAI Studio Chat Playground建议的安全系统消息，确保一致的安全评估。

四、LLMs作为内容审核评判的评估方法

为了全面评估LLMs作为内容审核评判的效果，本文采用了以下评估方法：

1. 数据集选择

为了确保评估的准确性和全面性，本文选择了三个不同的数据集进行评估：良性查询数据集（Sanity Check Dataset）、直接有害提示数据集（Harmful Behaviors Dataset）以及复杂越狱尝试数据集（Harmful Hall of Fame Dataset）。这三个数据集分别代表了内容审核中可能遇到的不同类型和挑战，有助于全面检验LLMs作为内容审核评判的性能。

2. 评估指标

在评估过程中，本文采用了多种指标来衡量LLMs作为内容审核评判的效果，包括准确率、召回率、F1分数以及误报率和漏报率等。这些指标能够从不同角度反映LLMs在内容审核中的表现，为评估提供全面而准确的依据。

3. 评估流程

评估流程主要包括以下步骤：

• 内容保障措施评估：首先评估传统内容保障措施（如关键词过滤、正则表达式匹配等）在三个数据集上的表现。
• LLMs作为评判无内容保障措施评估：在不使用任何内容保障措施的情况下，直接评估LLMs作为内容审核评判在三个数据集上的表现。
• LLMs作为评判与内容保障措施结合评估：将LLMs作为内容审核评判与传统内容保障措施相结合，评估其在三个数据集上的表现。
• 检测管道评估：模拟真实场景中的用户与LLMs交互过程，评估整个检测管道（包括内容保障措施、LLMs作为评判以及模型本身）在识别和处理有害内容方面的效果。

五、评估结果分析

（一）不同供应商的表现

1. AWS Bedrock with Claude Haiku 3：在所有评估中表现最为稳定，其强大的内容审核机制和有效的 LLM 作为评判工具的集成，使其在处理简单和复杂有害提示方面都具有较高的可靠性，在保障应用安全方面表现突出，尤其是在复杂的现实场景中。
2. Azure OpenAI GPT - 4o：凭借其内置的内容过滤机制，在检测有害提示方面表现良好，在提示到达 LLM 之前提供了额外的保护层。然而，在处理更高级的越狱尝试时面临挑战，这表明需要更精细的内容过滤策略来有效保障高风险场景下的 LLM 应用安全。
3. OpenAI GPT - 4o：在简单情况下表现出色，但在检测更复杂的攻击，特别是在有害名人堂数据集中的攻击时表现挣扎。虽然其依赖 LLM 作为评判工具在某些情况下弥补了较弱的内置审核机制，但也凸显了其在保障应用免受复杂威胁方面的能力差距。

（二）混合策略的重要性

评估结果强调了采用混合方法保障 LLM 应用安全的重要性，即将传统内容审核机制与 LLMs 作为评判工具相结合。这种分层防御策略可以在多个阶段处理有害内容，无论是在现实世界的提示场景还是响应场景中。内容审核机制提供了一种快速、可扩展的解决方案来捕捉明显的有害内容，而 LLMs 作为评判工具则提供了一种具有情境感知的额外评估层，更适合处理复杂和微妙的操作。

通过对LLM作为内容审核评判的评估，我们可以看到，结合传统内容安全保护和LLM的能力，能够更有效地应对多样化的内容审核挑战。随着技术的不断发展，未来的内容审核系统将需要更加灵活和智能，以应对不断变化的威胁环境。在此背景下，企业和开发者应当重视内容安全保护的设计与实施，确保其系统能够有效识别和处理有害内容。同时，随着LLM技术的进步，利用其强大的上下文理解能力，结合传统的内容审核方法，将是提升内容审核效果的重要方向。