专题演讲嘉宾：曾祥极

海量广告素材审核长期受制于一组三角矛盾：投放规模要求低单价、低时延，误伤与漏放又同时抬高质量门槛，而持续演化的对抗手法与审核政策要求按天甚至按小时响应。当风控系统从 L3 全机审走向 L4 监督下的自主治理，"审得准"已基本达成，"改得快、改得起"成为新瓶颈——单纯扩大模型规模会推高部署开销，依赖人工归因与迭代则拉长风险响应周期。

本次分享将介绍广告素材风控方向的大模型实践：以不超过 4B 的轻量审核基座承载多任务共享的风险理解、证据提取与依政策判断能力；以审核 Agent 将版本化政策与审核尺度固化为可执行工作流；由更强的教师模型在离线链路分析新问题、生成候选更新，并在真实轻量基座上验证后，经可信验证、授权灰度与回滚实现受控迭代；最终把验证过的经验回流为中训练与后训练数据，形成"轻量基座—Agent 受控迭代—数据回流"的协同进化闭环。

演讲提纲

1. 广告风控的背景与挑战
   • 广告风控介绍与关键模块：保障平台安全和用户体验，介绍行业规则与审核流程，以及攻防对抗下的在线审核与离线治理
   • 质量、成本与敏捷的三重约束：误伤影响正常投放，漏放带来合规风险，海量审核要求低成本，政策和风险持续变化要求快速响应
   • 风控系统的L1–L5演进：从人工审核、人机混审到全机审，当前L3的瓶颈已进一步延伸到持续变化下的质量保持、治理成本与响应速度
   • 自主进化闭环：审核→改进→验证沉淀，根据问题归因选择更新层级，能力足够时Harness优先，能力缺口通过模型训练补齐
2. 轻量级审核基座
   • 任务定义与模型选型：审核的输入和输出，判别式小模型、CLIP/JEV决策模型、生成式大模型在证据链、政策适应性和成本的取舍对比；结合实际部署负载，说明轻量基座的规模与架构选择、效果成本时延权衡及能力边界
   • 中训练与后训练：围绕广告领域理解、跨模态证据提取和依政策判断，展开训练任务、样本组织及训练策略
   • 数据与评测体系：大规模多样高质量训练数据构建，风控与通用双维评测
3. 审核Agent的受控改进
   • 审核Agent关键要素：Agent = Model + Harness，如何把政策与尺度变成可执行工作流 
   • 问题确认、错误归因与分层修复：实际反馈来源与问题确认机制，区分判断错误、政策变化与能力缺口，进行上下文、工具、工作流、基座等归因与修复
   • 教师模型驱动的候选搜索：强模型离线分析并生成受限候选，在实际轻量基座与审核链路上评估，按质量、成本和时延约束筛选版本；低成本模型承担在线审核
   • 人机职责与更新权限：明确错误确认、候选生成、验证和上线授权等的人机分工；用受限修改与可回滚版本保证更新可控。
4. 上线验证与经验沉淀
   • 分层评测与发布门禁：优化集用于候选搜索，验证集检验泛化，保护集检测历史场景退化，通过发布门禁拦截不满足要求的版本
   • 灰度、复核与回滚：结合命中变化、误伤与漏放、单次成本和时延等信号，说明发布条件、人工复核及异常回退
   • 真实案例与业务成效：治理前后的审核Agent改动、验证与上线结果，以及质量、成本、响应周期和人工投入的变化
   • 经验回流基座：把针对稳定、可泛化能力缺口的已验证样本与经验沉淀为训练数据，易变政策与单场景特判留在Agent层，并联合验证新基座与工作流
5. 总结与下一步展望
   • 整体总结：轻量在线基座、离线受控更新和数据回流三者的协同价值和可迁移方法论
   • 下一步展望：从治已病到治未病；从组件迭代到系统进化，再到更新机制本身的元进化

​听众收益

• 轻量级审核基座的选型与训练方法：4B级生成式模型在效果、成本、时延上的权衡与领域中训练路径
• 审核Agent受控自主进化的工程闭环：策略入工作流、强模型生成候选、评测门禁与授权灰度回滚
• 治理经验回流基座的数据方法：如何筛选可泛化经验，避免错误反馈累积与历史能力退化

演讲亮点

• 将轻量级风控审核基座、审核Agent受控改进和数据回流串成了完整的工程闭环，回答了如何以可控成本完成海量审核、如何及时响应新风险，以及如何让系统在持续迭代中保持可靠。听众既能了解小尺寸生成式审核模型的选型与训练思路，也能看到多分支探索、分层评测、灰度发布和回滚等落地方法。相比只讨论模型能力，演讲更突出模型、工作流、评测和发布机制的协同，为构建可持续演进的风控系统提供了实践参考