To Redact, or not to Redact? A Local LLM Approach to Deliberative Process Privilege Classification
本文证明，通过结合思维链与基于错误的少样本提示，本地消费级大语言模型（Qwen3.5 9B）能够有效对《信息自由法》第五项豁免所涉的审议过程特权进行分类，其性能可与商业模型相媲美，同时为基于云的 API 提供了一种在法律和政治上可行的替代方案。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象政府拥有一座巨大的、布满灰尘的图书馆，里面存放着数百万份文件。根据法律，公民有权窥探这座图书馆，以了解政府在做什么。然而，某些页面包含机密——例如个人住址、国家安全计划，或在最终决定做出之前进行的私下争论。
政府的工作是扮演一名图书管理员，必须翻阅每一页，找出机密部分，并用黑色记号笔将其遮盖（这一过程称为“涂黑”），然后再将书籍交给公众。手工完成这项工作既缓慢、枯燥，又容易出错。如果图书管理员遗漏了机密，就会引发大问题；如果遮盖过多，又会掩盖本应公开的内容。
本文旨在构建一个智能机器人助手，帮助图书管理员更快、更好地完成这项工作，特别是针对一种棘手的机密类型——“审议过程特权”。这是一项保护政府内部头脑风暴（即杂乱的草稿、“如果……会怎样”的设想以及私下意见）的规则，以便官员在做出决定之前能够畅所欲言，而无需担心公众的反弹。
以下是作者尝试构建该机器人的方法：
1. “云端”机器人的问题
大多数人认为可以使用超智能的云端人工智能（例如数据中心里的“超级大脑”）来完成这项工作。但作者们说：“且慢！”如果政府正在阅读机密文件，他们绝不能将这些页面发送给第三方云公司。这就像把你的绝密日记寄给陌生人寻求建议一样，在法律和政治上都存在风险。
因此，作者们决定构建一个本地机器人。他们使用了一个较小的开源人工智能模型（称为 Qwen3.5 9B），该模型可以在普通计算机上运行，直接部署在政府自己的安全大楼内。这就像在房间里拥有一位私人导师，而不是打电话给陌生人。
2. 教导机器人：“操作指南”
作者们并没有仅仅问机器人：“这句话是机密吗？”他们尝试了八种不同的方式与机器人对话，以观察哪种方法效果最佳。可以将这些方式视为不同的教学风格：
- 零样本（Zero-Shot）： 直接提出问题。“这是机密吗？”（机器人必须基于其已有知识进行猜测）。
- 少样本（Few-Shot）： 在提问之前，向机器人展示五个机密示例和五个非机密示例。“这里有一些例子；现在你试试。”
- 基于错误的少样本（Error-Based Few-Shot）： 向机器人展示它之前犯错的棘手案例，使其能够从错误中学习。
- 思维链（Chain-of-Thought, CoT）： 要求机器人在回答之前“大声思考”。机器人不能只回答“是”，而必须先自问：“最终决定做出了吗？这仅仅是一个意见吗？”然后再作答。
- 多智能体（Multi-Agent）： 组建一个由三个机器人组成的团队。一个负责猜测，第二个负责批评该猜测，如果两者意见不一致，第三个则充当裁判。
3. 结果：谁赢得了比赛？
作者们将这些方法与旧的、传统的计算机程序以及一款著名的商业人工智能（Gemini 2.5 Flash）进行了测试对比。
- “大声思考”策略获胜： 对于他们的本地机器人而言，最佳方法是思维链（让机器人解释其推理过程）与基于错误的少样本（向其展示它之前犯过的棘手错误）的结合。
- 目标： 在这项特定工作中，“过度谨慎”更为可取。如果机器人遗漏了机密（“假阴性”），敏感信息就会泄露。如果它遮盖了过多内容（“假阳性”），虽然令人烦恼，但是安全的。作者希望机器人能捕捉到所有内容（高“召回率”）。
- 惊喜： 使用这种特殊的“大声思考”方法的本地机器人，其表现几乎与庞大的商业云端人工智能一样出色。这是一个巨大的消息，因为这意味着政府可以在不将机密发送到云端的情况下使用强大的人工智能。
4. 什么使一句话成为“机密”？
作者们还研究了机器人判定某些句子为机密的原因。他们发现，“审议性”句子（即需要涂黑的句子）具有特定的“指纹”：
- 它们听起来像意见： 它们使用诸如“我认为”、“我们建议”、“我们可以”或“这样做会很好”等词汇。
- 它们使用“第一人称”代词： 大量使用“我”、“我们”和“我们（复数）”。
- 它们展望未来： 它们谈论可能发生什么，而不是已经发生什么。
如果一句话仅仅是事实（“会议于下午 2 点举行”），机器人知道应将其保留。如果它是私下意见（“我认为我们应该解雇他”），机器人知道应将其遮盖。
结论
该论文得出结论：政府无需依赖庞大、昂贵且基于云端的超级计算机来协助涂黑敏感文件。一个较小的本地人工智能，如果学会“逐步思考”并从过去的错误中学习，就能几乎像那些巨头一样完成工作。这使得政府能够在自己的计算机上保持数据安全的同时，利用现代人工智能加速向公众分享信息的进程。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。