Musubi 公司周二宣布推出名为 PolicyLM-1.7B 的轻量级决策模型，旨在实现实时内容调节。该模型允许用户通过简单的英语编写内容政策，并将其应用于短于 50 毫秒的消息处理中。
在成本与速度方面，PolicyLM-1.7B 与目前大多数社交平台采用的 AI 分类系统相当。然而，得益于现代大语言模型（LLM）的灵活性，该模型无需专门训练即可应用复杂策略。当内容政策发生变更时，模型无需重新训练，这一特性使得人类决策者能够更灵活地介入管理流程。
Musubi 联合创始人兼首席人工智能官菲利普·扬科维奇（Philip Jankovic）表示，随着平台内容量呈指数级增长，产品团队迫切需要一种可扩展且可定制的方式来标记和理解平台上发生的情况。
自 9 月 TypeSafe AI 发布 Jev 以来，“决策模型”成为人工智能领域的热点话题，随后 OpenAI 和 Amazon 也推出了各自的竞争产品。与传统输出文本的大语言模型不同，决策模型输出的是结果概率。在内容调节场景下，模型输出二进制判断：即内容是否属于特定类别。通过将输出限制在一组预先确定的选项中，决策模型在保持 Transformer 架构灵活性的同时，实现了比大型语言模型更快、更低的运行成本。
扬科维奇指出，他对决策模型的兴趣早于 Jev 的发布，可追溯至 2024 年的 GLiNER（通用实体识别模型）项目，该项目部署了许多相同的技术。早期案例主要涉及利用 AI 代理控制不良行为，将类似技术应用于人类内容的调节被视为自然延伸。
尽管外界常将 PolicyLM-1.7B 与 Jev 进行比较，但 Musubi 对此并不担忧。公司希望借助业界对决策模型的新关注，进一步明确其在内容调节领域的应用定位。如果用户对 Jev 感兴趣，那么 PolicyLM-1.7B 可以被视为专为内容调节训练的同类模型。
