OpenAI 隱私過濾器：構建可擴展的 PII 偵測網頁應用

OpenAI 已發布 Privacy Filter，一個開源的個人可識別資訊（PII）偵測器，旨在識別並標記八個不同類別的敏感文本。該模型之所以重要，是因為它能夠在單次前向傳遞中處理 128k token 的上下文，從而無需進行文本分塊，並確保精確的跨度偏移。

隱私過濾器模型規格

Privacy Filter 是一個具有 1.5B 參數、50M 活躍參數的模型，採用 Apache 2.0 授權發布。該模型在 PII-Masking-300k 基準測試上達到最先進的性能。

內容視窗： 128,000 個 token。
PII 類別： 模型可偵測八種類別：private_person, private_address, private_email, private_phone, private_url, private_date, account_number, 和 secret。
效率： 模型在單次前向傳遞中進行標註，這能保持長文件中跨度邊界和偏移的完整性。

Hugging Face 透過使用 gradio.Server 構建了三個可擴展的網頁應用，展示了該模型的實用性。此框架允許開發者將自訂的 HTML/JS 前端與 Gradio 的後端功能結合，例如 ZeroGPU 配置和請求排隊。

此應用程式允許使用者上傳 PDF 或 DOCX 檔案，以就地標記 PII 範圍。

技術方法： 整個文件在一次 128k 上下文通過中處理。使用 BIOES 解碼來確保在長而模糊的文本運行期間跨度邊界乾淨。
基礎設施： gr.Server 將讀取視圖作為單一 HTML 檔案提供，並透過排隊的 @server.api 端點公開模型，允許同時上傳的檔案被序列化並透過 ZeroGPU 處理。

此工具通過在敏感資料上放置黑色條形來從圖像和螢幕截圖（例如 Slack 對話或收據）中刪除 PII。

技術方法： 系統使用 Tesseract 進行 OCR 以生成每個詞的邊界框。後端將字符偏移映射到這些框上，並在重建的文字上運行 Privacy Filter。檢測到的跨度隨後被轉換為像素矩形以進行遮蓋。
基礎設施： 自訂的 <canvas> 前端處理互動元素——例如切換、拖曳或手動繪製遮蓋條——而 @server.api 端點提供像素座標。

這是一個專注於遮蓋的貼上工具，它會生成兩個獨立的 URL：一個公開的遮蓋版本和一個私密的顯示版本。

技術方法： 檢測到的 PII 範圍會被 <CATEGORY> 佔位符（例如 <PRIVATE_EMAIL>）取代。該模型的多語言能力使其能夠在不修改的情況下處理西班牙語、法語、中文和印地語的文本。
基礎設施： 由於 gr.Server 建構在 FastAPI 上，該應用同時使用 @server.api 進行模型密集的遮蓋過程，並使用純 @server.get 路由來提供需要令牌的視圖頁面。

Privacy Filter 在這些應用中的整合遵循一致的架構劃分，即排隊計算與靜態路由：

透過使用 @server.api，開發者可以獲得 Gradio 的佇列以及 ZeroGPU 上的 @spaces.GPU 組合，而純 FastAPI 路由則處理如 HTML 傳輸和字典查詢等輕量任務。