上下文敏感的AI内容审核方案

CH-15-08-006·约 18 分钟·AI安全伦理与合规·更新 2026-08-12

深夜的监控室里，新来的保安盯着屏幕上一帧画面：一只手握着一把刀。他瞬间汗毛竖起，抓起对讲机大喊：“有人持刀，快报警！” 老保安慢悠悠走过来，把录像往回拖了十秒。画面里，同一只手刚刚把案板上的西红柿切成两半，灶台边还摆着葱花。“这是厨房，不是案发现场。” 老保安按下对讲机：“一切正常。” AI 内容审核遇到的最大难题，和这位新保安一模一样：同一个词、同一句话，放在不同上下文里，含义可能完全相反。“我杀了这个 bug”是无害的吐槽，“我也要杀了这个 bug 的开发者”就是严重威胁。传统的孤立审核系统只会傻傻盯住当前这一句话，一旦出现敏感词就拉响警报，于是满屏都是误报。上下文敏感的审核方案，就是要训练出“老保安”那样的判断力——结合前后文、场景、用户行为综合判断。这篇文章会用“保安看监控”这个比喻，带你搞懂上下文审核的原理、设计与工程落地。

岗位关联

掌握上下文敏感的审核能力，是 AI 内容安全工程师从“只会调接口”走向“能设计审核策略”的分水岭，也直接决定你在风控团队里能不能扛起复杂语义误判这座大山。

可视化演示
孤立审核：只看一帧的“新保安”
上下文窗口：回放多少秒合适
上下文编码：眼睛该往哪儿看
场景信号：监控的时间戳与地点标签
工程性能：回放录像不能卡顿
判定与调优：队长的容忍度旋钮
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示上下文敏感的AI内容审核方案的核心机制，通过输入/处理/存储/输出四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

上下文敏感的AI内容审核方案：上下文敏上下文敏感审核的核心思想与孤立上下文窗口的构建与多源上下文融核心机制可视化上下文敏感的AI内容审核方案整体架构与关键组件

孤立审核：只看一帧的“新保安”

新保安为什么会误判？因为他看监控时只盯着当前这一帧。刀就是刀，在厨房是工具，在闹市是凶器，但对于只看一帧的眼睛来说，它永远只是一把刀。传统的文本审核系统也是如此：绝大多数早期方案都是“孤立分类器”——把每句话单独截出来送入模型判断是否违规，完全不看这句话前后发生过什么。

这种做法的技术根源在于，早期 NLP 模型被设计成“句子级”的：输入一句话，输出一个标签。对于“这是垃圾”这种语义完整的话，孤立判断勉强够用；可一旦遇到语义依赖上下文的表达，模型就彻底抓瞎。比如游戏玩家说“我刀了你”，孤立审核看到“刀”字直接判定为暴力威胁；而在真实语境里，“刀”是动词，意思是“在游戏里淘汰了对方”。

用概率的语言刻画这件事：判定“句子里有刀所以违规”的把握度，和结合上下文之后的把握度，完全是两个数值。

老保安的过人之处不在于眼神更好，而在于他会先问“这张画面出现在哪一段录像里”。孤立审核模型的缺陷同理：不是它不认识敏感词，而是它缺少上下文这卷“录像带”。

P(y=\text{违规} \mid S) \neq P(y=\text{违规} \mid S, C)

这个公式想说：孤立审核和上下文审核得出的结论可能完全不同——左边是“只看你说了什么”，右边是“结合你说话的场景来看”。

$y$ 审核结论标签$y$ 是模型给出的审核结果，取值只有两个：违规或正常。
$y \in \{\text{违规}, \text{正常}\}$
$S$ 待审核句子$S$ 是被送审的那一条文本，比如“把刀递给我”。
$S = \text{待审核单句}$
$C$ 上下文$C$ 是围绕 $S$ 的前文与后文，提供语义发生的场景。
$C = (C_{\text{前}}, C_{\text{后}})$
$\mid$ 条件符号$P(A \mid B)$ 表示在已知 $B$ 的前提下 $A$ 成立的把握度；带条件的概率，就是“结合上下文之后”的判断。
$P(y=\text{违规} \mid S, C)$

上下文窗口：回放多少秒合适

老保安拖录像，要拖多少秒？拖十秒，能看到案板、西红柿和葱花，足够判断这是厨房；把录像拖十分钟，画面里全是上班下班、开火关火的日常，反而淹没关键信息。上下文审核的第一步，就是回答“看多长”——这个长度叫上下文窗口。

在工程实现上，窗口通常以“词数”为单位。待审句是中心，前面取若干词的前文，后面取若干词的后文，三者拼接成模型输入。窗口太小，信息不够，新保安又只看一帧了；窗口太大，计算量暴涨，而且无关噪音会干扰判断。业界经验是：大部分审核任务中待审句前后各 1 到 3 句话就足够，极端恶意话术往往在前一句话里就暴露了意图。

设计窗口时还有两个关键决策：前文和后文的比例——对攻击类内容，前文更重要；对诱导类内容，后文可能藏陷阱。分段拼接策略——直接用分隔符把三段拼在一起，还是分段各自编码后再融合，这决定了模型能不能清楚地区分“哪部分是待审的、哪部分是背景”。

老保安拖录像的长度是一门经验活：拖得太短看不到切菜，拖得太长全是噪音。上下文窗口的设计也正是这种权衡艺术——既不能当“只盯一帧”的新手，也不能当“看完整部连续剧”的强迫症。

W = w_{\text{前}} + w_{\text{后}} + 1

窗口总长度 = 前文词数 + 后文词数 + 待审句本身这 1 个位置。它决定了模型每次“回放录像”的时长。

$W$ 窗口总长度模型一次审核能看到的总词数，单位是“词”。
$W = \text{窗口内总词数}$
$w_{\text{前}}$ 前文词数待审句之前截取多少词作为左侧上下文。
$w_{\text{前}} = \text{前文截取词数}$
$w_{\text{后}}$ 后文词数待审句之后截取多少词作为右侧上下文。
$w_{\text{后}} = \text{后文截取词数}$
$+1$ 待审句本身中心位置永远留给待审核的那一句话。
$1 = \text{待审句占用的位置}$

上下文编码：眼睛该往哪儿看

老保安看录像时，眼睛会不自觉地聚焦在刀和手上，而不是背景里走过的猫、墙上的挂钟。模型也需要这种“选择性注意”。把整段上下文塞进模型容易，难的是让模型知道哪些词值得多看几眼——这正是词嵌入与注意力机制的用武之地。

词嵌入先把每个词映射成一个高维向量，让语义相近的词在向量空间里距离更近。于是“刀”和“菜刀”靠近，“刀”和“砍刀”也不远，但“切”和“劈”的向量指向不同的语义方向。接下来，以 BERT 为代表的双向编码模型在每一层做自注意力：每个词都去和窗口内所有词计算关联强度，再按强度加权聚合对方的信息。“刀”这个词会看到“切菜”而降低危险性，也会因为“报复”而拉响更严重的警报。由于注意力是双向的，后文也能回溯影响前文的判断。

为了让模型不搞混词序，位置编码把每个词的顺序信息叠加进向量。毕竟“他打了我”和“我打了他”用词完全一样，危险主体却截然不同。

老保安的“注意力”不是天生的，是看了无数卷录像带练出来的。模型的注意力权重也不是写死的，而是在海量标注数据里学出来的——哪里危险、哪里安全，模型自己会长出一双“识货的眼睛”。

\text{Attn}(Q, K, V) = \text{softmax}\left(\frac{QK^{\top}}{\sqrt{d_k}}\right)V

这是自注意力机制的数学表达：每个词通过“问问题（Q）”和“查记忆（K）”算出关注谁，再按关注权重把“内容（V）”加权汇总。翻译成人话，就是模型决定“我的眼睛该往哪儿看”。

$Q$ 查询向量当前词想问的问题，比如“谁和我语义相关？”。
$Q = \text{当前词的查询向量}$
$K$ 键向量其他词提供的“回答标签”，用来和 $Q$ 比对相似度。
$K = \text{上下文词的关键向量}$
$QK^{\top}$ 相似度得分查询向量和键向量做点积，得到当前词与其他所有词的关联分数。
$QK^{\top} = \text{词与词的关联矩阵}$
$\sqrt{d_k}$ 缩放因子向量维度越高，点积数值越大；除以 $\sqrt{d_k}$ 防止分数过大导致梯度异常。
$\sqrt{d_k} = \text{缩放尺度}$
softmax 与 $V$ 加权softmax 把分数归一化成“关注权重”，再乘上值向量 $V$，完成信息聚合。
$\text{softmax}(\cdot) V = \text{按权重汇总上下文}$

场景信号：监控的时间戳与地点标签

老保安看录像还有两个法宝：画面角落的时间戳和监控编号。凌晨三点一个人出现在银行金库，和上午十点穿着工服的保洁阿姨出现在金库，判断完全不同。文本的上下文语义是一条线，场景信号却是另一条更宽的线索——这条线索经常被忽略。

用户信息是第一个信号：一个十年老用户正常吐槽“我要死了”，和一个新注册账号对陌生人说“我要来找你”，风险等级天差地别。内容类型是第二个信号：游戏公屏里的“去死吧”是互喷日常，新闻评论区里的“去死吧”则可能指向真实威胁。时间与频次是第三个信号：凌晨三点集中发布敏感词、短时间重复高频刷屏，通常踩在机器违规或恶意行为的边缘。

工程上把这些信号做成特征向量，和文本语义分数做加权融合。注意权重不是拍脑袋定的，而是从线上反馈里学出来的——语义证据强时调高文本权重，行为证据更硬时场景信号占主导。

老保安不会只看刀就下结论，还会瞄一眼时间戳和监控点位。好的审核系统也一样：把“谁、在哪、什么时候”这些画面之外的信息拼进来，误报自然就少了。

s_{\text{final}} = w_1 s_{\text{语义}} + w_2 s_{\text{场景}} + w_3 s_{\text{行为}}

综合风险分 = 文本语义风险 × 语义权重 + 场景风险 × 场景权重 + 行为风险 × 行为权重。多个摄像头拼出一张完整的事故全貌。

$s_{\text{语义}}$ 文本语义风险分由上下文编码模型输出的文本层面危险程度。
$s_{\text{语义}} = \text{模型对文本的违规打分}$
$s_{\text{场景}}$ 场景特征风险分由内容所属板块、内容类型等元数据得到的风险分。
$s_{\text{场景}} = \text{场景元数据的风险分}$
$s_{\text{行为}}$ 行为信号风险分由用户画像、发布时间、发布频次等行为特征得到的风险分。
$s_{\text{行为}} = \text{用户行为特征的风险分}$
$w_1, w_2, w_3$ 融合权重三个信号各自的可信度权重，模型训练时自动学习。
$w_1 + w_2 + w_3 = 1$
$s_{\text{final}}$ 综合风险分加权求和后的最终风险分数，交给下游判断。
$s_{\text{final}} = \text{综合风险评分}$

工程性能：回放录像不能卡顿

老保安拖录像时最怕什么？卡顿。案件正在发生，时间以秒计，如果回放十秒要缓冲一分钟，再准确的判断也白搭。上下文审核的工程化难点正在这里：窗口越宽，计算量越大；场景信号越多，特征工程越重。上线后服务端扛不住，再聪明的模型也只能躺在论文里。

第一板斧是预计算缓存。同一句前文会反复出现在大量待审内容里（比如热帖的标题反复被引用），把高频上下文的向量表示缓存下来，遇到重复上下文直接查缓存，跳过整个编码过程。第二板斧是蒸馏加速推理：用大模型在离线环境教出一个小学生模型，保留九成判断力、只占十分之一的推理算力。第三板斧是流式增量处理：长对话不等人说完才判断，而是按句流式更新上下文状态，新句子到达时只计算增量部分。

老保安的监控系统里，常看的几路画面会一直驻留在屏幕上，这就是“缓存”；不常看的角落才需要临时调取。把缓存打在离用户最近的位置上，回放自然丝滑。

t_{\text{总}} = t_{\text{首次}} + (1 - h) \times n \times t_{\text{单次}}

一条上下文被 n 条内容复用时的总耗时 = 首次编码耗时 + 未命中缓存的部分 × 条数 × 单次编码耗时。缓存命中率越高，总耗时越低。

$t_{\text{首次}}$ 首次编码耗时第一次计算该上下文向量的成本。
$t_{\text{首次}} = \text{首次完整编码耗时}$
$h$ 缓存命中率请求命中缓存的概率，越高越好。
$h = \frac{\text{命中缓存的请求数}}{\text{总请求数}}$
$1 - h$ 未命中比例剩下的请求必须老老实实重新计算。
$1 - h = \text{未命中缓存的比例}$
$n \times t_{\text{单次}}$ 全量重算成本n 条待审内容只要有一次没命中，就得付出 n 次完整编码。
$n \times t_{\text{单次}} = \text{未命中时的重算总耗时}$

判定与调优：队长的容忍度旋钮

判断“这把刀是凶器还是厨具”，最终拍板的是保安队长的标准。标准太严，厨房里切个菜都要惊动特警；标准太松，真有人持刀闯进来也没人理。审核系统同样需要一个判定器：把综合风险分 $s_{\text{final}}$ 和一个阈值 $\tau$ 做比较，高于阈值判违规，低于阈值放行。

阈值是全局的，更是分场景的：游戏公屏的阈值可以放宽，因为玩家互喷是生态常态；陌生人私信的阈值必须收严，因为一次漏判可能酿成真实伤害。上线后运营团队还要持续用误报样本和漏报样本反哺模型：误报太多就小幅升高阈值或补充安全样本，漏报抬头就下调阈值或加强危险样本。

一个成熟的审核系统，就像一支老练的保安团队：新保安学会了看录像，老保安懂得看时间戳，队长拿捏着容忍度的分寸。单帧会骗人，场景会说话，而真正可靠的判断，永远属于那些愿意多看几眼、多想一层的人。

y = \begin{cases} \text{违规}, & s_{\text{final}} \geq \tau \\ \text{正常}, & s_{\text{final}} < \tau \end{cases}

判定规则就是一道分水岭：风险分达到阈值线以上就是违规，以下就正常。阈值线放哪儿，决定误报和漏报哪个更多。

$s_{\text{final}}$ 综合风险分前一节融合了语义、场景、行为的最终分数，范围通常落在 0 到 1。
$s_{\text{final}} \in [0, 1]$
$\tau$ 判定阈值由业务方设定的风险分界线。
$\tau = \text{审核阈值}$
分段函数判定规则分数达到阈值判违规，否则正常；阈值抬高则漏报增多，阈值降低则误报增多。
$y = \begin{cases} \text{违规}, & s_{\text{final}} \geq \tau \\ \text{正常}, & s_{\text{final}} < \tau \end{cases}$

AI 应用场景

电商平台评论审核

阶段：内容安全 / 风控审核

解决的问题：差评区常出现“这家店的刀真快”、“客服就是想死不想干了”之类的话。孤立审核看到“死”“刀”就标违规，误伤大量真实吐槽，用户怨气冲天、商家申诉不断。上下文感知审核把“商品页是厨具店铺”、“前文在聊收到货的体验”作为上下文窗口，模型就能识别这是产品评价而非人身攻击，误报率下降约四成。

具体案例：某电商平台将审核模型改为“待审评论 + 商品标题 + 前一条评论”三明治输入，并融合店铺类目特征。上线后，差评误删量显著下降，用户投诉处理量同步降低。

游戏内实时聊天监测

阶段：模型部署 / 实时风控

解决的问题：竞技游戏里“你等着，我拿刀去”“杀你全家”是常见嘴炮，但在现实语境里就是严重威胁。孤立审核要么全禁导致玩家体验崩塌，要么全放导致真实霸凌漏网。上下文审核把“当前对局房间名（竞技场/休闲）”和“玩家历史辱骂次数”作为场景信号，战斗房间内大幅放宽阈值，休闲房间和私聊则从严处理。

具体案例：某 MOBA 游戏上线分场景审核后，有效举报率上升，因误封导致的客服工单下降三成，同时真实恶意言论的捕获量提升。

Python 演示

python96 行

# -*- coding: utf-8 -*-"""上下文感知文本审核演示同是"刀"字，结合前文后文，判定结果完全不同"""import re # 敏感词库：每个词给出基准危险系数SENSITIVE_WORDS = {    "刀": 0.8,    "杀": 0.9,    "死": 0.7,    "打": 0.5,} # 安全上下文信号词：出现的词越多，越倾向放行SAFE_CONTEXT = {    "切菜": 0.3,    "菜板": 0.3,    "厨房": 0.2,    "游戏": 0.2,    "开玩笑": 0.1,    "电影": 0.2,    "剧本": 0.2,} # 危险上下文信号词：出现则加重风险RISK_CONTEXT = {    "报复": 1.5,    "砍死": 1.6,    "教训": 1.3,    "血腥": 1.4,} def context_aware_check(text, context_before="", context_after=""):    """结合上下文窗口审核文本，返回 (风险分, 是否违规, 命中详情)"""    # 拼接上下文窗口：前文 + 待审句 + 后文    window = context_before + " " + text + " " + context_after    base_score = 0.0    hit_words = []     # 先找敏感词，取最高基准分    for word, score in SENSITIVE_WORDS.items():        if word in text:            base_score = max(base_score, score)            hit_words.append(word)     if not hit_words:        return 0.0, False, "无敏感词"     # 用上下文信号调整基准分    adjust = 1.0    for word, factor in SAFE_CONTEXT.items():        if word in window:            adjust *= factor    for word, factor in RISK_CONTEXT.items():        if word in window:            adjust *= factor     # 夹取到 [0, 1] 并保留两位小数    final = round(min(base_score * adjust, 1.0), 2)    risky = final >= 0.5    hint = "、".join(hit_words) + " 分数=" + str(final)    return final, risky, hint  def batch_check(items):    """批量审核多条内容"""    results = []    for item in items:        score, risky, hint = context_aware_check(            item["text"],            item.get("before", ""),            item.get("after", ""),        )        results.append((score, risky, hint))    return results  if __name__ == "__main__":    # 同一句话，不同上下文，结果完全不同    cases = [        {"text": "把刀递给我", "before": "厨房里正在切菜，", "after": "我要把西红柿切了。"},        {"text": "把刀递给我", "before": "", "after": "我要去报复那个仇人。"},        {"text": "我杀了这个bug", "before": "写了一天代码，", "after": "终于把它解决了！"},        {"text": "我杀了这个bug", "before": "", "after": "然后被刑警带走问话。"},    ]    for c in cases:        score, risky, hint = context_aware_check(            c["text"], c["before"], c["after"]        )        print("待审句：{}".format(c["text"]))        print("上下文：{} {}".format(c["before"], c["after"]))        print("  -> 风险分 {}，判定 {}（{}）\n".format(            score, "违规" if risky else "正常", hint        ))

目的：实现一个可运行的上下文感知审核模拟器，演示“同一个敏感词 + 不同上下文信号 → 不同审核结论”的完整链路。

window = context_before + " " + text + " " + context_after把前文、待审句、后文拼成模型眼中的“上下文窗口”。
base_score = max(base_score, score)对命中的多个敏感词取最高分，相当于“只看最危险的那把刀”。
adjust = 1.0上下文风险调整系数，安全信号让它缩小、危险信号让它放大。
adjust *= factor每出现一个“切菜”“厨房”这类安全信号词，风险系数就被压低一截。
final = round(min(base_score * adjust, 1.0), 2)把调整后的分数夹取到 0 到 1 之间，作为最终风险分。
risky = final >= 0.5阈值判定：风险分达到 0.5 判违规，否则放行。

常见误区

误区很多人觉得上下文窗口越大越好，最好把整段聊天记录、整篇帖子全部塞给模型，信息越全判断肯定越准。

正解上下文过长会引入大量无关噪音，模型反而被干扰；同时计算量随长度平方级上升，延迟飙升。老保安拖十秒录像看到切菜就够了，拖十分钟只看到一片日常。实践中通常待审句前后各 1~3 句足够，关键是与主题相关的高信号上下文，而非盲目贪长。

为何常见：“信息越多越安全”符合直觉，大家容易忽略噪音和成本的存在。

误区认为给敏感词加一串“周围词”硬编码规则，比如“刀”旁边有“切菜”就放行，这就是上下文审核了。

正解真正的上下文感知需要语义级理解。规则词典永远列不全搭配组合，“我杀了这个bug”没有任何一个字典能预先写清“杀+bug=安全”。只有通过嵌入表示和注意力机制，模型才能泛化到从未见过的上下文组合。

为何常见：基于共现词的规则最容易实现，看起来也能解决几个样例，容易让人误以为已经掌握了上下文语义。

误区把前文、待审句、后文用空格拼成一行丢进模型，就完成上下文建模了。

正解直接拼接会让模型分不清“哪部分是背景、哪部分才是待审目标”，连接处还可能产生虚假的语义模式。工程上需要加分隔标记、在位置编码中区分片段身份，甚至分段编码后再融合。否则模型可能从“前文结尾 + 后文开头”的错误组合里学出噪声信号。

为何常见：从数据处理视角看，只是多了几行文本，很容易低估片段结构对模型理解的影响。

误区误报太多就调高审核阈值，让模型“更严格”，以为这样误报就清零了。

正解阈值只能在误报与漏报之间做取舍：调高阈值，安全的内容被放过了，但真正违规的内容也更容易漏掉；调低阈值会反过来。要根本性地降低误报，得靠更好的上下文语义模型、更充分的场景信号，而不是一味拧阈值旋钮。

为何常见：“严格一点、标准高一点”是最直接的管理手段，但审核场景的代价是两头都疼。

面试题

Q1. 孤立文本审核最典型的失败场景是什么？

单选题 · easy

A.模型参数量太小欠拟合
B.同一句话在不同上下文含义不同← 正确答案
C.数据集中敏感词覆盖率不足
D.审核接口响应延迟过高

答案：B。孤立审核只看当前句子，无法感知语境变化。“我杀了这个bug”和“我杀了这个人”字面结构相似，但危险程度天差地别，前者无害、后者违规。A是模型训练问题，C是数据覆盖问题，D是工程性能问题，都不是孤立审核特有的失败模式。就像新保安不结合前后画面，看到刀就报警一样。

Q2. 下面哪句话最需要结合上下文才能判断是否违规？

单选题 · easy

A.“我杀了这个bug”← 正确答案
B.“你好，请问几点下班”
C.“今天天气真不错”
D.“欢迎光临本店”

答案：A。“杀”字在代码语境里是彻底解决问题的意思，在现实语境里是暴力威胁。B、C、D 均不含歧义敏感表达，语义本身完整清晰。上下文审核的价值正在于消除这种“字面危险、实际无害”的歧义。

Q3. 设计上下文窗口时，主要权衡哪两个因素？

单选题 · mid

A.召回率与准确率
B.信息量与计算开销← 正确答案
C.训练集与测试集
D.CPU算力与内存占用

答案：B。窗口越长，模型能看到的信息越多，判断越有依据；但 Transformer 复杂度随序列长度增加，计算开销也急剧上升。窗口设计的本质是在“看得够全”和“跑得够快”之间找平衡。A是评估指标的选择，C是数据划分问题，D是硬件资源问题。

Q4. 自注意力公式中 softmax 的作用是什么？

单选题 · mid

A.计算各词的梯度信息
B.将权重归一化为概率分布← 正确答案
C.扩大值向量的隐藏维度
D.将高维向量压缩到低维

答案：B。$\text{softmax}(QK^{\top}/\sqrt{d_k})$ 把当前词对所有词的关联分数转换成一组非负且和为 1 的权重，表示“我应该把注意力分给谁多少”。A是训练阶段的事，C和D是维度变换，不是 softmax 的功能。

Q5. 下列哪一项不是上下文审核常用的场景信号？

单选题 · mid

A.内容的发布时间段
B.用户历史违规记录
C.内容所在板块类型
D.服务器内存占用率← 正确答案

答案：D。发布时间段（凌晨高频发言更可疑）、用户历史违规记录（惯犯风险更高）、板块类型（游戏公屏 vs 陌生人私信）都是判断文本风险的重要上下文信号。服务器内存占用率是基础设施指标，与内容是否违规无关。

Q6. 缓存技术为什么能加速上下文审核？

单选题 · hard

A.减少单条文本的嵌入维度
B.复用高频上下文的向量表示← 正确答案
C.用缓存替换掉整个审核模型
D.降低审核阈值的合理设置

答案：B。同一段前文（如热帖标题）会被大量待审核内容引用。缓存它的上下文向量，遇到相同前文直接复用，省掉重复的模型前向计算。A会损伤表达信息，C完全替换模型不现实，D是判定策略而非加速手段。

Q7. 分片段拼接上下文时，为什么不能简单地把前文、待审句、后文直接拼成一行？

单选题 · extreme

A.直接拼接会导致推理变慢
B.模型难以区分背景与待审目标← 正确答案
C.直接拼接会丢失标点符号
D.直接拼接无法使用注意力机制

答案：B。直接拼接让模型在语义上分不清哪部分是待审内容、哪部分是背景，而连接处前后两个片段会组合出虚假模式。需要加入分隔标记、在位置编码中区分片段身份，让模型明确“中心那一句才是我要判断的对象”。A、C、D 都不是直接拼接的核心问题。

Q8. 上下文窗口通常包含哪些部分？

多选题 · easy

A.待审句之前的一段文本← 正确答案
B.待审句本身的完整内容← 正确答案
C.待审句之后的一段文本← 正确答案
D.整个训练数据集的规模

答案：ABC。上下文窗口 = 前文 + 待审句 + 后文。前文提供原因与铺垫，待审句是审核目标，后文补充结果与转折。训练集规模是离线训练阶段的数据量概念，不属于线上推理时单条内容的上下文窗口。

Q9. 上下文感知审核相比孤立审核的优势有哪些？

多选题 · mid

A.降低含敏感词的无害文本误报← 正确答案
B.识别需上下文判断的隐性违规← 正确答案
C.保证所有文本都零误报
D.提升对恶意话术的检出率← 正确答案

答案：ABD。“切菜时的刀”不再被误报（A），“帮我去取那个东西”结合前文才能看出是违禁品交易（B），惯用黑话在高风险用户口中更能被识别（D）。C 是绝对化说法，任何审核系统都无法保证零误报。

Q10. 控制上下文感知审核性能开销的合理手段有哪些？

多选题 · hard

A.缓存高频上下文向量← 正确答案
B.用蒸馏小模型替换大模型← 正确答案
C.无限扩大上下文窗口
D.对低风险内容跳过深度审核← 正确答案

答案：ABD。缓存复用高频上下文（A）、蒸馏压缩模型体积（B）、对低风险板块先走轻量规则再决定是否深度审核（D），都是工程上常用的降本手段。C 恰好相反，扩大窗口会平方级增加计算量，与性能优化目标背道而驰。