OpenAI 日前推出了名为 Privacy Filter 的全新个人身份信息（PII）脱敏模型，该模型现已以 Apache 2.0 协议在 Hugging Face 和 GitHub 上同步开源。Privacy Filter 的核心目标是为开发者提供一个高度灵活且可在本地运行的隐私保护解决方案，从而在数据处理过程中强化用户隐私安全。
与传统的基于规则的匹配工具不同，Privacy Filter 采用了深度语义理解技术。它能够基于上下文语境，更精准地识别非结构化文本中的敏感信息，从而在有效隐藏个体隐私数据的同时，最大程度地保留文本中有价值的公开信息，确保数据可用性和隐私性的平衡。
在技术实现上，Privacy Filter 采用了轻量化的混合专家（MoE）架构，尽管总参数量达到 15 亿，但每次推理仅激活约 5000 万参数。这一设计使其具备了出色的性能表现和资源效率，能够支持在笔记本电脑甚至浏览器等资源受限的边缘设备上流畅运行。同时，该模型拥有高达 12.8 万 Token 的超长上下文窗口，并利用先进的算法确保了长文本处理的连贯性和准确性。在 PII-Masking-300k 基准测试修正版中，Privacy Filter 取得了 97.43% 的 F1 分数，其中召回率更是达到了 98.08%，显示了其强大的识别精度。
Privacy Filter 具备全面的隐私信息分类能力，能够精准识别并标注八类核心敏感信息，包括基础身份信息（如姓名、地址、邮箱、电话）、网络资产（URL）、金融账户信息（银行卡、信用卡等）、机密凭证（密码、API 密钥）、以及日期信息等。
该模型的定位是作为云端大型语言模型（LLM）的“本地防火墙”，充当一个预过滤层。用户在向云端 AI 服务发送文本数据前，可以通过 Privacy Filter 在本地完成 PII 的检测与脱敏，实现“数据不离设备”的处理，有效规避用户不小心将敏感信息粘贴到 AI 工具中的风险。虽然 Privacy Filter 功能强大且支持微调，但 OpenAI 仍旧提醒，在医疗、法律、金融等高敏感领域，人工审核和领域特定的微调依然是不可或缺的。
Privacy Filter 的推出，为开发者提供了一个强大的本地化隐私保护工具，特别适合需要处理大量用户生成内容的场景，如在线客服、内容审核、数据分析等。其易用性和高效性使其成为提升 AI 应用隐私安全性的一个重要选项，但用户仍需注意在极高敏感领域谨慎使用，并结合人工复核。