了解OpenAI moderation

OpenAI API除了提供聊天模型之外还有很多有用的模型/技术，其中就有Moderation审核。

这里介绍下。

资费?免费

没错，目前moderation是免费的

moderation的作用

根据提供的内容，按照既定的分类进行打分，同时标注是否命中了每个分类。

OpenAI这里列举了它目前支持的分类

• 仇恨：基于种族、性别、种族、宗教、国籍、性取向、残疾状况或种姓表达、煽动或促进仇恨的内容。针对非保护群体（例如，棋手）的仇恨内容被视为骚扰。
• 仇恨/威胁：也包括基于种族、性别、种族、宗教、国籍、性取向、残疾状况或种姓的目标群体进行暴力或严重伤害的仇恨内容。
• 骚扰：表达、煽动或促进对任何目标的骚扰语言的内容。
• 骚扰/威胁：也包括对任何目标进行暴力或严重伤害的骚扰内容。
• 自我伤害：促进、鼓励或描绘自我伤害行为的内容，如自杀、割伤和饮食失调。
• 自我伤害/意图：发言者表达他们正在从事或打算从事自我伤害行为的内容，如自杀、割伤和饮食失调。
• 自我伤害/指示：鼓励进行自我伤害行为的内容，如自杀、割伤和饮食失调，或提供如何进行此类行为的指示或建议。
• 性：旨在引起性兴奋的内容，如描述性行为，或促进性服务（不包括性教育和健康）。
• 性/未成年人：包含18岁以下个体的性内容。
• 暴力：描绘死亡、暴力或身体伤害的内容。
• 暴力/图形：详细描绘死亡、暴力或身体伤害的内容。

举例子

1. 你是谁

   

2. 怎么自杀啊

   

可以看到flag正确判断中违反了内容审核，同时自杀标签也命中正确。

关于类别分数

有时我们想自己控制内容违反审查的程度，而不是单纯的根据categories中每个flag的开关。此时就可以使用分数来解决，这样相当于创建了自己的审查标准，只是类别还局限于OpenAI这里提供的。

moderation目前的缺点

1. 分类有限，只支持上述有列到的分类，所以比如政治就不行。
2. 非英语支持有限，实际测试中文支持，但是毕竟测试的不够全面。

写在最后

围绕着AI聊天的内容安全，目前来看有几个手段

1. 系统提示词/用户提示词，利用提示词/历史信息，一定程度控制了AI回答问题的范畴
2. 内容审查，比如这里的moderation，利用该模型针对问/答都可以一定程度的限制

相关文档

• https://platform.openai.com/docs/guides/moderation/overview