TorchSight：以 Qwen 3.5 27B 本地微調實現安全文件分類
TorchSight是一套以本地部署為核心的安全文件分類系統，採用微調後的Qwen 3.5 27B 模型作為分類核心。研究團隊以78,358筆來自13個開放授權來源的樣本，並加入由GPT‑4生成的合成資料，覆蓋七大安全類別與51個子類別進行訓練與驗證。
TorchSight：把分類留在本地
面對需掃描大量文件以找出敏感資訊的需求，組織常擔心將文件傳送到雲端。為此，研究團隊提出TorchSight，一套以本地部署為中心、開源的安全文件分類系統，核心由微調後的Qwen 3.5 27B模型驅動。
研究以78,358筆來自13個允許授權來源的真實樣本，加上由GPT‑4生成的合成資料，訓練模型識別七大安全類別與51個子類別。在主基準測試的1,000篇文件中，模型達到95.0%類別準確率（95%信賴區間：93.5–96.2），同一提示下測試的商業模型分數落在75.4–79.9%之間。
另外，在獨立的500篇持出樣本上，TorchSight也得到93.8%準確率，顯示其效能能延伸到主要基準以外的資料，但表現差異仍受到資料組成與邊界案例影響。整體來看，這項工作表明透過本地微調的大型模型，能在維持文件本地控管的情況下，提供高準確度的安全文件分類服務。
延伸閱讀
- AI-native 資產情報：以情境感知評分驅動資安優先排序
- 多代理網路中的記憶繼承：LLM代理的攻擊路徑與防禦設計
- LLM 驅動 HBEE 模擬：具適應性的惡意內部者降低同儕懷疑頻率，UEBA 排名不變
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
