一个头像应用、一个AI绘画工具、一个广告素材生成器，或者一个会画画的聊天机器人——只要产品会生成图片，每一张输出都是你发布的内容。在用户看到之前先过一遍检查，一张坏图就变成一次重试，而不是社交媒体上的一张截图。
问题在于，提示词过滤和模型自带的检查器都拦不住。无害的提示词照样可能产出不安全的图像，模型会自己补上没人要求的细节；用户则用拼写错误、其他语言、图生图上传绕开词表。内置检查器也太粗：diffusers 里的 Stable Diffusion 安全检查器对每张图只返回一个布尔值（未加载时返回 None），而管线本身接受 safety_checker=None。一个“是/否”标记分不清酒精和裸露。托管服务商按自己的规则审核，你一换供应商，规则就变了。
检查该放在哪一步？顺序是：提示词过滤、生成、审核字节、最后才进存储、CDN 或客户端。绝不能先传到公开存储桶再从 URL 审核——检查一旦失败，图已经公开了。
第一步：审核生成的字节
把生成的图片字节直接发给审核接口，拿回标签列表。一张生成的男人抽烟照片，接口返回 Smoking，归在 Drugs & Tobacco Paraphernalia & Use 之下，再往上属于 Drugs & Tobacco，置信度都是 97.1%。策略要盯住 ParentName 为空的那一层，也就是顶层类别：一张生成的卷烟图回来时挂在子标签 Pills 下，但它的顶层类别仍是 Drugs & Tobacco，置信度 99.7%。
第二步：给生成内容定一套策略
按顶层类别逐条配置动作和最低置信度，没列出的类别视为放行：
- Explicit：拦截，阈值 50
- Non-Explicit Nudity of Intimate parts and Kissing：拦截，阈值 50
- Violence：拦截，阈值 60
- Visually Disturbing：拦截，阈值 60
- Hate Symbols：拦截，阈值 40
- Drugs & Tobacco：拦截，阈值 60
- Swimwear or Underwear：转人工复核，阈值 60
- Gambling：转人工复核，阈值 50
- Rude Gestures：转人工复核，阈值 60
阈值按类别分别设定，一张表就能覆盖生成器产出的所有风格：一张插画风格的赌场图被识别为 Gambling，送进了复核。面向成人（18+）的艺术平台会把其中几行反过来——裸露和泳装放行——但暴力和仇恨符号仍然拦截。
第三步：带重试和审计日志的安全生成
把审核包进生成流程：每次尝试换一个随机种子重新生成，最多三次。判定为拦截，就丢弃这张图、换种子重来；判定为复核，就扣下等人工处理；审核接口报错，按失败关闭处理，也就是不放行。日志只记决策和哈希，不存图片本身。同一个用户反复出现 refused 结果，说明是在试探，对该账号限流或转人工。
延迟方面，一张 140 KB 的 JPEG 端到端约 0.8 秒，一张 1.2 MB 的 PNG 约 1.3 秒。审核的必须是你真正要发布的那份字节。
规则正在收紧
Google Play 的 AI 生成内容政策要求防止受限内容，并提供应用内举报或标记功能。欧盟《人工智能法案》第 50 条要求，从 2026 年 8 月 2 日起对合成图像做机器可读标记。
上线前还有几件事值得做：用自己的预设校准，每种风格跑几百张输出过一遍接口，再调各类别阈值；先严后松，把边界类别先送去复核；扩展到视频时，生成片段对采样帧套用同一套策略。
热门跟贴