Musubi开源实时内容审核决策模型PolicyLM-1.7B，政策变更无需重新训练

10月6日，Musubi宣布推出轻量级决策模型PolicyLM-1.7B，并开放模型权重。该模型面向实时内容审核场景，可将以纯英文编写的内容政策直接应用于消息审核，响应时间低于50毫秒。

Musubi表示，PolicyLM-1.7B在成本与速度上接近当前主流社交平台所使用的内容审核分类器，但由于其基于现代大语言模型的灵活性，能够执行复杂策略而无需专门训练。尤为关键的是，当内容政策发生变化时，模型无需重新训练，这使政策制定者可以根据需要反复迭代调整。

Musubi联合创始人兼首席AI官Filip Jankovic认为，该模型为平台管理者提供了一种主动标注内容的方式。他表示，随着平台内容量呈指数级增长，产品团队希望更好了解平台上发生的情况，以可扩展、可定制的方式对全部内容进行标注非常有用。

决策模型近期成为AI领域热门话题。2026年9月，TypeSafe AI发布决策模型Jev后，OpenAI与Amazon相继推出同类竞品。与输出文本的大语言模型不同，决策模型输出结果概率，本例中模型输出二元判断：内容属于或不属于某类别。通过将输出限制在预定选项集合内，决策模型比大语言模型运行更快、成本更低，同时保留Transformer架构的灵活性。

Jankovic表示，他对决策模型的兴趣早于Jev，可追溯至2024年开展的GLiNER项目，该项目部署了许多类似技术。尽管外界常将PolicyLM-1.7B与Jev比较，Musubi表示欢迎这种比较，并希望借助业界对决策模型的关注，让内容审核这一应用场景获得更多关注。