在数字化转型加速的今天，企业和机构对隐私信息保护的需求日益迫切。特别是在日语环境下，由于语言结构的特殊性和文本处理的复杂性，个人可识别信息（PII）的精准提取一直是技术难点。近日，由Liquid AI开发的LFM2-350M-PII-Extract-JP模型正式亮相，该模型基于LFM2-350M架构优化而来，专门针对日语文本中的敏感信息抽取任务设计，不仅实现了本地化部署，更在性能上达到了云端大型模型的水平，为日语隐私保护领域带来了革命性的解决方案。
项目地址: https://ai.gitcode.com/hf_mirrors/LiquidAI/LFM2-350M-PII-Extract-JP 聚焦核心需求：五大实体类别精准覆盖
LFM2-350M-PII-Extract-JP模型的核心目标是从日语文本中高效提取关键隐私信息，并以结构化的JSON格式输出结果。这一设计使得模型能够直接集成到本地脱敏系统中，广泛应用于合同文件、电子邮件往来、个人医疗报告、保险账单等多种文档类型的敏感信息处理场景。模型经过针对性训练，目前已支持五大核心实体类别的提取：地址（address）、公司/机构/组织名称（company_name）、电子邮件地址（email_address）、人名（human_name）和电话号码（phone_number）。这些类别涵盖了日常办公和业务处理中最常见的隐私信息类型，能够满足大多数企业的基础脱敏需求。
如上图所示，图片展示了Liquid AI公司的官方标志，由几何图形与“Liquid”文字组合而成。这一标志不仅代表了模型的开发主体，更象征着该公司在轻量化AI模型研发领域的创新理念，为读者直观呈现了技术背后的企业实力与品牌形象。
与传统的通用型NLP模型不同，LFM2-350M-PII-Extract-JP采用了“专精化”的设计思路。通过聚焦上述五大实体类别，模型在训练过程中能够更深入地学习日语中各类隐私信息的语言特征和表达方式，例如日本地址中的“都道府县”层级结构、公司名称中的“株式会社”等特定后缀、电话号码的“0XX-XXXX-XXXX”格式等。这种针对性优化使得模型在实际应用中能够有效避免无关信息的干扰，显著提升提取精度。同时，JSON格式的输出结果包含清晰的类别标签和实体列表，未识别到实体的类别会返回空列表，方便下游脱敏系统直接调用，大大降低了集成难度。
性能突破：3.5亿参数实现GPT-5级召回率
在AI模型领域，参数规模与性能往往被认为是正相关的，大型模型虽然性能强劲，但高昂的计算成本和部署门槛使其难以在本地化场景中普及。LFM2-350M-PII-Extract-JP模型则打破了这一固有认知，通过先进的模型压缩技术和精细化的训练策略，在仅3.5亿参数的体量下，实现了与GPT-5及启用思考模式的32B参数Qwen3模型相当的提取性能。
为验证模型的实际效果，研发团队进行了严格的性能评估。测试数据集来源于finepdf平台的1000个随机样本，文本长度覆盖100至1000字符，涵盖了合同条款、邮件正文、医疗记录等多种真实场景下的文档类型。评估结果显示，LFM2-350M-PII-Extract-JP在平均召回率指标上表现优异，与上述两款云端大型模型达到了同等水平。这一成果意味着，用户无需依赖昂贵的云端算力资源，只需在本地设备上部署该模型，即可获得高质量的PII抽取服务，不仅降低了数据传输过程中的隐私泄露风险，还大幅节省了计算成本。
如上图所示，散点图清晰展示了不同参数规模模型的召回率分布情况，其中LFM2-350M-PII-Extract-JP以0.35B的参数规模，在散点图中处于与GPT-5（参数规模远超350M）相近的召回率水平线上。这一对比直观地凸显了该模型在参数效率方面的巨大优势，为读者提供了量化的性能参考，有力证明了轻量化模型在特定任务上完全可以媲美大型模型。
模型的高性能还得益于其对日语语言特性的深度适配。日语中存在大量汉字、假名混合使用的情况，且敬语、省略语等表达方式复杂，这些都给PII抽取带来了挑战。LFM2-350M-PII-Extract-JP在训练过程中特别强化了对日语语言现象的学习，例如通过构建专门的日语实体词典、优化分词算法等方式，提升了对人名中的“苗字”与“名前”、地址中的“番地”与“号室”等细节信息的识别能力。同时，模型还能够保留实体在文本中的原始格式输出，这对于需要进行精确匹配脱敏的场景至关重要，例如确保电话号码中的连字符、地址中的特殊符号等与原文一致，避免因格式转换导致的脱敏错误。
实用指南：优化配置与使用规范
为确保用户能够充分发挥LFM2-350M-PII-Extract-JP模型的性能，研发团队提供了详细的使用指南，涵盖生成参数设置、系统提示格式、对话模板等关键环节。
在生成参数方面，建议采用temperature=0的贪婪解码策略。这一设置能够使模型在输出时优先选择概率最高的结果，避免随机因素导致的实体遗漏或误判，确保抽取结果的稳定性和一致性。对于日语文本中常见的模糊表达或歧义信息，贪婪解码也能通过模型的上下文理解能力做出更可靠的判断。
系统提示的设计同样至关重要。用户必须在提示中明确包含“Extract
, <company_name>, <email_address>, <human_name>, <phone_number>”这一指令，并且五大实体类别需严格按照字母顺序排列。这一要求是由于模型在训练时已适应特定的指令格式，规范的提示能够帮助模型更准确地定位任务目标，避免因类别顺序混乱导致的识别偏差。此外，模型采用类似ChatML的聊天模板，目前仅支持单轮对话模式，用户需将待处理的文本完整输入，模型会一次性返回所有识别到的实体结果。尽管LFM2-350M-PII-Extract-JP模型已具备出色的基础性能，但作为一款社区驱动的开源模型，其仍有广阔的优化空间。目前，模型在组织特定识别号（如企业法人编号）、新增实体类别（如出生日期、护照号码、信用卡号）以及特定领域文本（如法律文书、金融报告）的性能优化等方面有待进一步提升。Liquid AI团队表示，未来将持续与开发者社区合作，通过收集用户反馈和实际应用案例，不断迭代模型版本，拓展其应用场景。用户也可以根据自身需求，基于该模型进行二次微调，定制化开发更符合特定业务场景的PII抽取工具。
结语：轻量化模型引领隐私保护新趋势
LFM2-350M-PII-Extract-JP模型的推出，不仅为日语隐私信息抽取任务提供了高效解决方案，更代表了AI技术向轻量化、本地化、实用化发展的重要趋势。在数据安全法规日益严格的今天，企业对本地化隐私保护工具的需求愈发强烈，该模型以其小巧的体量、优异的性能和便捷的部署方式，完美契合了这一市场需求。
未来，随着模型的不断优化和功能拓展，我们有理由相信，LFM2-350M-PII-Extract-JP将在更多领域发挥重要作用，例如在医疗行业助力电子病历的隐私脱敏、在金融领域辅助客户信息的安全管理、在公共机构推动文档的合规处理等。同时，该模型的成功经验也为其他语言的PII抽取模型研发提供了宝贵的参考，有望推动全球隐私保护技术的进一步发展。对于开发者和企业用户而言，现在正是拥抱这一创新技术的最佳时机，通过访问模型仓库（https://gitcode.com/hf_mirrors/LiquidAI/LFM2-350M-PII-Extract-JP），即可获取模型资源并开始探索其在实际业务中的应用潜力。
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
