引言：内容安全是平台治理的生命线，旨在精准识别与处置色情和暴力等不健康和违规内容。传统审核模型通过“黑盒”分数直接给出识别结论，在处理复杂语义和隐晦内容时和规则对齐方面存在困难。推动治理模型从“标签驱动”向“政策规则驱动”演进，同时具有政策规则的可解释性，已成为构建可信可泛化安全系统的核心方向。为解决上述问题，小红书内容理解团队提出层级式治理框架 Hi-Guard，通过分层流水线与路径感知的强化学习，改进模型对复杂审核标准的内化能力。该方法为构建透明可信的内容审核系统提供了新思路，相关研究成果已被 KDD2026 录用。
论文标题：Towards Trustworthy Multimodal Moderation via Policy-Aligned Reasoning and Hierarchical Labeling
论文链接：https://arxiv.org/pdf/2508.03296
代码链接：https://github.com/lianqi1008/Hi-Guard
关键词：多模态内容安全，可信内容审核，强化学习
在海量用户生成内容 (UGC）的社交平台，模型审核系统通常由 “基础内容召回-风险标签识别-决策降量” 三个阶段组成。其中，“决策降量” 环节承担了主要的自动化判别处置职能。虽然多模态大模型（MLLMs）已广泛应用于决策层，但依然面临三大瓶颈：
规则标准偏离：模型从带噪声的标注数据中拟合学习，而非背后的复杂审核规则，导致识别结果与动态更新的平台政策规则脱节。
决策过程不透明：传统模型输出“黑盒”结果（相关分数），缺乏可核查的证据或逻辑解释，导致模型优化方向不透明，影响用户体验，同时算法结果与人工审核员之间存在证据壁垒。
相似规则理解困难：对于规则相近的类别（如“未成年人过度成人化”与“未成年人着装不当”），模型极易产生混淆，引发过度处置或审核疏漏。
为解决上述问题，小红书内容理解团队提出了一种全新的规则对齐和高泛化治理框架——Hi-Guard
Hi-Guard 的核心思想是将审核决策转化为一种“基于规则对齐的层级推理任务”。
2.1 学习规则而非单纯拟合数据
Hi-Guard通过层级化提示（Hierarchical Prompting）实现了政策规则的逻辑对齐。模型在推理时不再是完全基于噪声标注下的数据统计和拟合，而是像人类审核员一样，依赖 Prompt 中的规则和大量数据学习经验。这种设计使得模型能够更好地泛化到未见过的新场景，并支持通过修改 Prompt 快速适应政策调整。
2.2 层级分类体系（Hierarchical Taxonomy）
我们将扁平的分类任务转化为“路径预测”：
结构：领域 (Domain) → 主题 (Topic) → 子类(Subtype) → 行为(Behavior)。通过逐级缩小搜索空间，模型能够更聚焦于细微特征，将分类准确率从“模糊判断”提升至“精确打击”。
2.3 软边界奖励强化学习（Soft-margin Reward & GRPO）
在优化阶段，我们采用了Group Relative Policy Optimization (GRPO) 算法，并设计了独特的路径感知软边界奖励：
分级惩罚：不再是非黑即白的0或1。如果模型判错到“兄弟类别”（语义相近），我们给予较轻惩罚；如果跨领域判错，则给予重罚。
深度加权：越是底层的细粒度判错，惩罚力度越大，强制模型在最困难的环节学会“深度思考”。
3.1 实验性能：泛化与准确的双重提升
在长尾及未见类别（Generalization Set）的零样本学习（Zero-shot）测试中：
准确率：相较于传统的监督微调（SFT）变体，Hi-Guard 的总体准确率提升了12.13%。
查准与查全：在风险内容识别上，Precision 提升14.02%，Recall 提升10.28%。
以上测试基于小红书内容审核2个风险域多个未参与训练的风险标签（训练和测试细节见论文附件A部分），查准和查全严格遵循元风险标签，非黑白两个类别。论文地址：
https://arxiv.org/pdf/2508.03296
以上测试基于小红书内容审核2个风险域多个未参与训练的风险标签（训练和测试细节见论文(https://arxiv.org/pdf/2508.03296)附件A部分），查准和查全严格遵循元风险标签，非黑白两个类别。
消融分析：实验证明，规则的结构化注入对模型性能提升最为显著，其次是层级标签的设计。
3.2 可解释性：让模型“讲人话”，拒绝张冠李戴
通过 Chain-of-Thought (CoT) 机制，Hi-Guard 会先输出一段结构化的推理过程 <think>，再给出结论 <answer>。
案例对比：面对一张儿童室内写真的图片，画面背景中出现了一个酒瓶。
SFT 模型（传统微调）：看到酒瓶就产生了“幻觉”，直接判定为“未成年饮酒” (Underage Drinking)，完全忽视了这是摆拍场景而非真实饮酒行为。
Hi-Guard：它展现了缜密的推理能力——首先识别出酒瓶的存在，但结合场景排除了饮酒风险；随后，它根据规则定义，敏锐地捕捉到了画面中儿童穿着背心短裤可能存在的风险点，精准判定为“未成年内衣裤暴露” (Underwear Exposure)。
这证明了Hi-Guard 不仅能识别风险，更能精准定义风险，避免了传统模型“看图编故事”的毛病。
Hi-Guard 成功验证了一条可规模化的内容审核路径：用强化学习驱动生成式推理，并利用政策规则对齐和层级约束引导模型行为。
未来，我们将探索更具动态性的“指令化审核大模型”，使业务团队仅通过修改Prompt 即可实时生效新的审核策略，进一步推动小红书内容治理向智能化、透明化演进。