想象你是一家脱口秀大会的制片人。台上那位叫“大模型”的演员才华横溢、妙语连珠,但一兴奋就管不住嘴——黄段子、暴力桥段、敏感话题张口就来。节目是直播的,观众(你的用户)可经不起惊吓。这时你需要一位“内容安全编导”:在段子出口之前,快速判断哪句能播、哪句要剪、哪句要回炉改造。这就是AI输出审查要做的事——给大模型的每一段输出装上一道安检门,拦住违规内容,放行安全内容,同时还要兼顾速度、误伤和用户体验。 这篇文章会带你完整走一遍输出审查的方案设计:从划分审查维度、搭建规则过滤、引入模型过滤,到平衡准确率与召回率、优化实时性能、处理误报,最后串起一整条审查流程。学完你就能像一个老练的审核编导,给任何AI应用配上靠谱的内容安全防线。

岗位关联

输出审查是AI应用上线的“安全红线”技能。掌握它,你能从“能写Prompt”升级到“能交付可靠AI产品”,这是内容安全工程师的必备硬核能力。

目录
  1. 可视化演示
  2. 审查维度划分
  3. 规则过滤方法
  4. 模型过滤方案
  5. 准召平衡策略
  6. 实时性能优化
  7. 误报处理机制
  8. 审查流程设计
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

本节配有交互动效(进入视口后自动加载,约 3KB)。

审查维度划分

脱口秀节目的审核编导桌上,永远压着四张红头文件:不许黄、不许暴、不许碰政治红线、不许泄露观众隐私。AI输出的“内容安全编导”也一样,开工前先得明确自己管哪几条线——这就是审查维度划分。

四个核心维度分别是:涉黄指色情描写、露骨互动;涉暴指煽动暴力、自残引导、恐怖袭击描述;涉政指敏感政治人物、历史虚无主义、地域歧视等;隐私指身份证号、手机号、住址等个人敏感信息。不同维度危害等级不同,处理优先级也不同,没法用一个笼统的“安全/不安全”来概括。

工程上,可以把每条输出内容表示成一个多维风险向量,再做加权求和:

四张红头文件就是四个维度,每条线的权重由平台对“哪类事故最致命”的判断决定。哪根红线最深,权重就越大。维度划分清楚了,后面做规则和模型才有了明确的靶心。

R=∑i=14wiViR = \displaystyle\sum_{i=1}^{4} w_{i} V_{i}
R是综合风险分,Vᵢ是第i个维度的违规程度(0到1),wᵢ是该维度的权重。这就好比编导给四个“雷区”分别设了危险值,越危险的区权重越高,最后算一个总危险分来决策。
  1. 维度分项V每个维度先独立打分。比如文本里出现露骨色情词,涉黄维度直接拉到接近1。
    Vi∈[0,1],i=1,2,3,4V_{i} \in [0,1], \quad i = 1,2,3,4
  2. 权重系数w体现不同维度的危害等级。涉政、涉暴通常权重最高,因为合规处罚最重。
    ∑i=14wi=1,wi≥0\displaystyle\sum_{i=1}^{4} w_{i} = 1, \quad w_{i} \geq 0
  3. 综合判定R风险总分超过业务阈值θ,就判定需要拦截。
    R≥θ⇒BLOCKR \geq \theta \Rightarrow \text{BLOCK}

规则过滤方法

审核编导桌上除了红头文件,还有一本越翻越厚的《违禁词大字典》——看到“赌”字直接划掉,看到“杀”字立刻报警。这就是规则过滤:用预先定义的规则快速、粗暴地拦截。

规则过滤是输出审查的第一道防线,核心三件套:敏感词表把高频违规词、黑话、谐音词收进一张哈希表,命中即触发;正则匹配处理变体,比如“赌-博”、“dubo”、“杜柏”这类拆字、拼音、谐音变形;黑白名单中黑名单命中即拦,白名单用于放行已知安全内容。规则过滤的优点是可解释、零延迟、部署便宜,缺点是只认字面不认语境。

规则过滤的判断函数可以写成:

规则过滤就像编导的“字面检查”——简单、快,但听到“那个地方你懂的”这种暗语就会漏。所以它只当第一道闸门,后面还得请审片专家上场。

F(x)={1,∃ r∈R: match(r,x)0,otherwiseF(x) = \begin{cases} 1, & \exists\, r \in \mathcal{R}:\, \text{match}(r,x) \\ 0, & \text{otherwise} \end{cases}
F(x)是审查决定:只要规则库R里存在任意一条规则r与文本x匹配,就判定违规(F=1),否则放行(F=0)。相当于编导翻字典,翻到一条违禁词就直接毙掉。
  1. 匹配操作match检查规则r是否命中文本x。敏感词表就是“x里是否包含词r”的包含关系。
    r⊆x(子串或正则匹配)r \subseteq x \enspace (\text{子串或正则匹配})
  2. 存在量词∃只要有一条规则命中就成立,不需要全部命中。
    命中条数≥1⇒F(x)=1\text{命中条数} \geq 1 \Rightarrow F(x) = 1
  3. 判定输出F0表示放行进入模型阶段,1表示直接拦截。
    F(x)∈{0,1}F(x) \in \{0, 1\}

模型过滤方案

光靠字典,编导永远听不懂“今晚月色真美”这种内涵段子。于是节目组请来一位资深审片专家——模型过滤。

模型过滤用文本分类模型(如BERT这类预训练语言模型)对输出做语义理解,判断文本在上下文中是否违规。它能识别反讽、隐喻、指代,解决规则过滤“看不懂变体”的痛点。它不是查某个词,而是把整句话“读”一遍再下判断。

从数学上看,这是一个二分类任务,模型输出违规概率:

审片专家不靠“看到某个词就毙”,而是听语气、看上下文、品潜台词。有了专家把关,打擦边球的段子就无处遁形了。

P(违规∣x)=σ(w⋅ϕ(x)+b)P(\text{违规}\mid x) = \sigma(\mathbf{w} \cdot \boldsymbol{\phi}(x) + b)
P是模型给出的违规概率。φ(x)是模型从文本中抽取的语义特征向量,w和b是训练出来的参数,σ是sigmoid函数,把任意实数压缩到0和1之间,让结果可以当成概率来读。
  1. 语义特征φ模型把“今晚月色真美”转成机器能计算的向量,BERT这类模型会把整句话的上下文都编码进去。
    ϕ(x)∈Rd\boldsymbol{\phi}(x) \in \mathbb{R}^{d}
  2. 线性打分z权重w对每个特征加权求和,b是偏置,表达“这些特征组合起来有多危险”。
    z=w⋅ϕ(x)+bz = \mathbf{w} \cdot \boldsymbol{\phi}(x) + b
  3. 概率转换σsigmoid把分数压到[0,1],分数越高,违规概率越接近1。
    σ(z)=11+e−z\sigma(z) = \frac{1}{1 + e^{-z}}

准召平衡策略

编导最头疼的抉择:是宁可多毙几个好段子,也不能放走一个违规段子?还是尽量少误伤,哪怕偶尔漏一个?这就是准确率和召回率的拉扯。

用大白话说:准确率P是拦下来的内容里有多少真违规,误杀越多P越低;召回率R是所有真违规内容里有多少被拦住,漏检越多R越低。两个指标此消彼长,业务需要找一个平衡点。工程上最常用的综合评价指标是F1:

编导心里有一条“违规容忍线”:平台规则越严,阈值越高,宁可冤枉好人;社区氛围宽松,阈值就调低,放走边角料也能接受。F1就是编导平衡KPI的仪表盘。

F1=2×P×RP+RF1 = \frac{2 \times P \times R}{P + R}
F1是P和R的调和平均数,值越高说明“又准又全”。阈值调高,P升R降;阈值调低,R升P降。F1能帮我们找到中间的最佳状态。
  1. 准确率P被拦截的样本中真正违规的比例。
    P=TPTP+FPP = \frac{TP}{TP + FP}
  2. 召回率R所有实际违规样本中被拦截下来的比例。
    R=TPTP+FNR = \frac{TP}{TP + FN}
  3. 调和平均F1P和R任何一边偏低,F1都会被拉低,所以它奖励“两个都好”的模型。
    F1=2×P×RP+RF1 = \frac{2 \times P \times R}{P + R}

实时性能优化

直播可不等编导!观众等着听下一句,编导只有几毫秒的决策时间。AI输出审查也一样,“生成完再慢慢审”是不行的,必须做到边生成边审、快审快放。

优化手段三件套:流式审查不等整段生成完毕,每生成一个片段立刻送审,把审查时间藏进生成时间里;缓存复用对相同或相似前缀的审查结果直接复用,减少重复计算;模型蒸馏用一个小型轻量模型模拟大模型判断,速度快、精度损失可控。

整个链路的时间开销可以拆解成三段:

同一台晚会,编导必须练出“一眼扫过”的功夫:该快的规则一步到位,该省的专家判断走快速通道,节目才能既不卡顿又不出事故。

T总=T生成+T审查+T网络T_{\text{总}} = T_{\text{生成}} + T_{\text{审查}} + T_{\text{网络}}
T总是一次请求的端到端延迟。流式审查的目标是让T审查与T生成尽量重叠,让用户感知不到额外等待;缓存和蒸馏直接压缩T审查本身。
  1. 生成延迟模型生成文本的耗时,通常占大头,流式输出让审查与生成并行。
    T生成≫T审查T_{\text{生成}} \gg T_{\text{审查}}
  2. 审查延迟规则过滤加模型过滤的总耗时,蒸馏模型能把模型部分压到毫秒级。
    T审查=T规则+T模型T_{\text{审查}} = T_{\text{规则}} + T_{\text{模型}}
  3. 网络开销跨服务调用的通讯时间,把审查器和生成器部署在同一机房可以趋近于零。
    T网络→0T_{\text{网络}} \to 0

误报处理机制

再厉害的编导也有看走眼的时候——把一个好段子毙了,观众会骂,演员会委屈。误报处理就是给审核制度加一道“复核与平反”的流程。

误报也叫假阳性(False Positive),指正常内容被拦截。常见原因:规则词表太宽、模型对行业黑话过度敏感、阈值设太高。处理手段有三类:人工复核把被拦内容送进低优先级队列,由人工抽样复审;申诉通道让用户或上游业务对拦截结果发起申诉,自动转入复核;动态白名单把确认安全的文本(例如“赌博机”在合规文章中的用法)加入白名单,直接放行。

回归到指标上,误报程度用误报率衡量:

编导桌上有一本“平反册”——被冤枉的段子,复核确认没问题就记上去,下次同类直接放行。误报不可怕,没有纠错机制的审查制度才可怕。

FPR=FPFP+TNFPR = \frac{FP}{FP + TN}
FPR是正常内容里被误拦的比例。分母是“所有本来安全的文本”,分子是这些安全文本中被错杀的量。FPR每上升一点,都在直接伤害用户体验。
  1. 假阳性FP正常文本被错误判定为违规的数量。
    FP=安全却被拦截的样本数FP = \text{安全却被拦截的样本数}
  2. 真阴性TN正常文本被正确放行的数量。
    TN=安全且被放行的样本数TN = \text{安全且被放行的样本数}
  3. 误报率FPR被误杀的安全样本占安全样本总数的比例,生产环境通常要压到千分之一以下。
    FPR=FPFP+TNFPR = \frac{FP}{FP + TN}

审查流程设计

一场好的脱口秀,编导不会只盯着直播那一分钟:上台前要审稿,演出中要盯场,结束后还要复盘。输出审查的完整流程也是“事前—事中—事后”三段式。

完整的审查闭环是这样的:前置过滤在生成前用Prompt安全约束打预防针,让模型尽量不往违规方向走;流式输出审查在生成过程中对增量文本逐段检查,发现问题立即熔断截断;结果反馈闭环把违规样本、误报样本回流到规则库和模型训练集,持续优化审查能力。

整体链路的端到端设计可以表达为:

三个环节各司其职:事前压低风险,事中实时熔断,事后持续进化。就像编导从彩排到直播再到开总结会,一环不漏,节目才能长红不翻车。

T端到端=T前置+T流式+T复盘T_{\text{端到端}} = T_{\text{前置}} + T_{\text{流式}} + T_{\text{复盘}}
T前置是生成前的Prompt安全检查耗时,T流式是运行时的增量审查耗时,T复盘是离线异步的样本分析时间。前两项要走在线路径、以毫秒计,复盘在离线完成,不占用户等待时间。
  1. 前置耗时生成前用安全约束模板检查请求方向,把明显的风险扼杀在摇篮里。
    T前置=Prompt安全约束耗时T_{\text{前置}} = \text{Prompt安全约束耗时}
  2. 流式耗时边生成边审查的增量检查耗时,一旦发现违规立即熔断生成。
    T流式=∑iΔti,Δti 为第 i 个片段的审查耗时T_{\text{流式}} = \displaystyle\sum_{i} \Delta t_{i}, \enspace \Delta t_{i} \text{ 为第 } i \text{ 个片段的审查耗时}
  3. 复盘耗时把每天的拦截样本、误报样本做成数据集,定期增量训练模型、更新词表,全程异步执行。
    T复盘→离线异步,不占用在线延迟T_{\text{复盘}} \to \text{离线异步,不占用在线延迟}

AI 应用场景

智能客服的“口无遮拦”防火墙

阶段:输出审查(模型输出后置过滤)

解决的问题:大模型客服回复用户时,可能被恶意注入或诱导出涉政、涉暴、违规承诺等话术。传统方式是人工抽检,覆盖不了全部会话且响应慢。引入规则+模型双级审查后,所有回复先过滤再发出,违规话术在到达用户前被拦截或改写。

具体案例:某银行智能客服上线后,用户尝试用“帮我写一段投诉威胁信”诱导模型,模型输出被过滤器识别出涉暴倾向,触发熔断并转人工,成功避免了一次舆情事件。

AIGC平台的海量内容合规审核

阶段:内容生成后的批量审查

解决的问题:内容生成平台每天产出海量文案,人工审核成本极高。用规则过滤先扫一遍,压缩99%的明显违规;再用模型过滤处理擦边内容;最后只对极小量不确定内容做人工复核,把人力集中在最需要判断力的样本上。

具体案例:某营销文案生成平台接入输出审查后,每小时8万条生成内容的审核从“5名人工×8小时”压缩到“1名人工×1小时”,拦截准确率99.2%。

大模型API网关的统一安全层

阶段:模型接入层的统一输出审查

解决的问题:公司内部多个业务接入同一个大模型,如果各业务自建审查,口径不一致容易出纰漏。在API网关层做统一输出审查,所有业务共享同一套维度定义、规则库和模型服务,审查策略可以集中升级。

具体案例:某SaaS平台在网关层部署统一审查服务后,下游50多个应用自动获得安全能力,安全事件下降90%,新业务接入审查的时间从两周缩短到半天。

Python 演示

python85 行
import re  class OutputReviewer:    """AI输出审查器:规则过滤 + 模型打分 + 误报白名单"""     def __init__(self, threshold=0.6):        # 敏感词表(示例数据,生产环境按业务维护)        self.sensitive_words = ["赌博", "暴力", "违法", "违禁品"]        # 正则变体规则:处理谐音、拆字、拼音等变形        self.regex_rules = [            re.compile(r"赌[\s\-_.]*博"),            re.compile(r"d[bp]o", re.IGNORECASE),            re.compile(r"\d{11}"),  # 疑似手机号        ]        self.threshold = threshold        self.whitelist_cache = set()        self.review_count = 0        self.block_count = 0     def rule_filter(self, text):        """规则过滤:敏感词/正则命中立即拦截"""        for word in self.sensitive_words:            if word in text:                return True, "敏感词命中"        for rule in self.regex_rules:            if rule.search(text):                return True, "正则命中"        return False, ""     def model_scorer(self, text):        """模拟语义模型打分:分数越高越可能违规"""        score = 0.0        if len(text) > 50:            score += 0.1        if "攻击" in text or "报复" in text:            score += 0.6        if "私下交易" in text:            score += 0.5        if text.startswith("我不确定"):            score -= 0.3        return max(0.0, min(1.0, score))     def review(self, text):        """审查总入口:白名单免审,规则先行,模型兜底"""        self.review_count += 1        if text in self.whitelist_cache:            return True, "白名单免审", 0.0        hit, reason = self.rule_filter(text)        if hit:            self.block_count += 1            return False, reason, 1.0        score = self.model_scorer(text)        if score >= self.threshold:            self.block_count += 1            return False, "语义违规", score        return True, "通过", score     def add_whitelist(self, text):        """误报处理:确认安全的文本加入白名单"""        self.whitelist_cache.add(text)  def main():    reviewer = OutputReviewer(threshold=0.6)    samples = [        "你好,请问今天天气怎么样?",        "我来教你一招快速赚钱的赌博技巧",        "这个产品我不确定是否合规,建议咨询法务",        "他想报复前公司,准备找人暗中攻击",        "我的电话号码是13812345678",    ]    for text in samples:        ok, reason, score = reviewer.review(text)        tag = "PASS" if ok else "BLOCK"        print("{} | {} | 分数={:.2f} | 原因={}".format(tag, text[:18], score, reason))    # 误报处理演示:人工确认后加入白名单    reviewer.add_whitelist("我的电话号码是13812345678")    ok, reason, score = reviewer.review("我的电话号码是13812345678")    print("白名单复核后: PASS" if ok else "白名单复核后: BLOCK")    print("总审核 {} 条,拦截 {} 条".format(reviewer.review_count, reviewer.block_count))  if __name__ == "__main__":    main()
目的:演示“白名单免审→规则过滤→模型打分→误报纠错”三级输出审查流水线,是生产方案的最小可运行原型。
  1. self.sensitive_words = ["赌博", "暴力", "违法", "违禁品"]用一张敏感词表做第一道拦截,命中即毙,快而粗暴。
  2. self.regex_rules = [正则规则专门对付“赌-博”“dubo”这类变形,弥补词表覆盖不足。
  3. def rule_filter(self, text):规则过滤函数,返回“是否命中+原因”,被拦截的文本不会进入模型阶段。
  4. def model_scorer(self, text):用特征打分模拟语义模型,生产环境替换为BERT等真模型即可。
  5. if text in self.whitelist_cache:白名单在最前面,确认安全的文本直接放行,省掉后面所有计算。
  6. reviewer.add_whitelist("我的电话号码是13812345678")误杀纠错的出口:人工复核安全的文本回流到白名单,下次直接免审。

常见误区

误区“我搞一份足够全的敏感词表,把所有违规词都收进去,不就能拦住所有违规输出了吗?模型过滤太复杂,没必要上。”

正解词表永远追不上语言的演化。用户会用谐音、拆字、拼音、表情符号、暗语绕开词表,“那个你懂的”这种话词表根本拦不住。模型过滤恰恰擅长理解上下文与弦外之音,能识别软色情、隐晦暴力。正确姿势是规则过滤做第一道廉价防线,模型过滤做语义兜底,两者搭配而非二选一。

为何常见:规则过滤命中结果直观、好解释,容易让人产生“看得见的拦截才算拦截”的错觉,忽略了大量看不见的变异违规。

误区“把模型阈值调到0.95,被拦下来的肯定都是真违规,准确率超高,肯定不会出事!”

正解阈值拉高后准确率确实上升,但召回率会大幅下降——大量真正的违规内容因为“不够明显”而漏网。安全审查首先要保证召回(漏检的代价是合规事故),然后才谈准确率。工程上通常用F1找平衡点,再按业务容忍度决定是“召回优先”还是“准确优先”。

为何常见:人天然对“冤枉好人”有压力,但对“放走坏人”没有直观感知,导致决策偏离了安全底线。

误区“输出审查要走模型打分,生成完再查一遍,响应时间肯定翻倍,用户体验没法要了。”

正解实际工程优化手段非常多:流式审查把审查藏进生成过程中,缓存复用省掉重复计算,蒸馏小模型把打分压到几毫秒。审查带来的增量延迟常常可以控制在5%以内。

为何常见:把“串行”当作唯一实现方式,忽略了流式并行和模型裁剪这些优化空间。审查延迟不是只能做加法,而是可以重新编排与压缩的。

误区“统计后台每天拦截了几万条违规内容,拦截率特别高,说明我们审查做得很好!”

正解拦截率高也可能是阈值过紧导致误杀暴增。真正该盯的指标是漏检率、误报率和用户申诉率。被冤枉的真实用户会流失,比安全问题更伤产品。成熟的方案会用“拦截/申诉比”和“人工抽检准确率”来评估审查质量。

为何常见:把“拦截数量”当成审查的唯一KPI,忽略了拦截质量和用户体验成本,属于典型的只看产出不看效果。

面试题

Q1. 输出审查中,第一道防线通常采用以下哪种方式?

单选题 · easy

  • A.大模型逐句读取
  • B.规则过滤拦截← 正确答案
  • C.人工全部复核
  • D.用户举报反馈

答案:B。规则过滤用敏感词表和正则,速度快、成本低、可解释性强,最适合做第一道防线。大模型读取慢,人工不现实,用户举报是事后补救而非前置防线。

Q2. 输出审查的常见维度包含以下哪些?

多选题 · easy

  • A.涉黄内容识别← 正确答案
  • B.涉暴内容识别← 正确答案
  • C.涉政内容识别← 正确答案
  • D.模型参数量评估

答案:ABC。常见审查维度是涉黄、涉暴、涉政,外加隐私泄露防护。模型参数量是训练和部署指标,不属于输出内容的安全维度。

Q3. “正常回答被审查系统误判为违规并拦截”属于以下哪类问题?

单选题 · easy

  • A.属于漏检问题
  • B.属于误报问题← 正确答案
  • C.属于模型过拟合
  • D.属于规则库不足

答案:B。正常内容被拦叫误报(假阳性),违规内容被放行叫漏检(假阴性)。误报伤害用户体验,漏检伤害合规安全,两者需要平衡而非只盯一个。

Q4. 关于准确率与召回率的权衡,以下说法正确的是?

单选题 · mid

  • A.调高阈值使两者同时提升
  • B.准确率上升但召回率下降← 正确答案
  • C.召回率上升但准确率下降
  • D.阈值对两者没有任何影响

答案:B。阈值调高后,只有“非常像违规”的内容才会被拦截,拦截时更准,但一些“有点可疑”的真违规被放走了,召回率随之下降。两者天然此消彼长,需要用F1来平衡。

Q5. F1分数描述的是以下哪两个指标的平衡?

单选题 · mid

  • A.准确率与召回率← 正确答案
  • B.处理速度与运营成本
  • C.响应延迟与吞吐能力
  • D.误报率与漏检概率

答案:A。F1是准确率P和召回率R的调和平均数,值越高说明“又准又全”。速度、成本、延迟、吞吐属于性能维度,误报率与漏检概率不如P和R的描述标准。

Q6. 模型过滤相比规则过滤的主要优势是什么?

单选题 · mid

  • A.推理速度更快
  • B.理解上下文语义← 正确答案
  • C.不需要训练数据
  • D.部署成本更低

答案:B。模型(如BERT分类器)能把整个句子的上下文编码成特征,识别讽刺、隐喻、指代。规则过滤完全是字面匹配,快但不懂语义,所以模型过滤常作为语义兜底方案。

Q7. 以下哪些属于实时审查性能优化的有效手段?

多选题 · hard

  • A.流式边生成边审查← 正确答案
  • B.相同前缀缓存复用← 正确答案
  • C.使用蒸馏的小模型← 正确答案
  • D.规则全交给大模型

答案:ABC。流式让审查与生成并行,缓存复用砍掉重复计算,蒸馏小模型把打分延迟压到毫秒级。把规则全部丢给大模型会导致延迟和成本大幅上升,方向反了。

Q8. 误报处理中“动态白名单”的主要作用是?

单选题 · mid

  • A.提高训练速度
  • B.对合法内容免审← 正确答案
  • C.替代规则过滤
  • D.降低内容质量

答案:B。人工复核确认某段内容没问题后加入白名单,后续相同内容直接放行,既减少误报又省掉重复计算。它不是替代规则过滤,而是对“冤案”的平反机制。

Q9. 完整的输出审查流程设计包含哪些环节?

多选题 · mid

  • A.生成前Prompt安全约束← 正确答案
  • B.生成中流式增量审查← 正确答案
  • C.违规样本离线回流训练← 正确答案
  • D.完全取消人工复核

答案:ABC。事前安全约束、事中流式熔断、事后样本回流,三环扣成完整闭环。人工复核是误报处理的关键兜底,不能取消。

Q10. 某审查系统将违规判定阈值从0.5提升到0.8后,最可能出现的现象是?

单选题 · hard

  • A.误报率上升漏检率下降
  • B.误报率下降漏检率上升← 正确答案
  • C.准确率和召回率同步上升
  • D.系统吞吐量显著下降

答案:B。阈值提高意味着更“宽容”,只有高置信度违规才拦,被冤枉的正常内容减少(误报下降),但低置信度的真违规也被放走(漏检上升)。吞吐量与阈值无关,主要取决于模型推理成本。