Пока большинство систем детектируют личные данные уже после того, как текст ушёл на сервер, Perplexity предлагает ловить их прямо на устройстве - маленькой моделью, которая работает и с русским языком.
Коротко о главном
1 сентября 2026 года Perplexity представила PII-TRACE - бенчмарк для последовательного обнаружения личных данных в длинных многоходовых разговорах на 13 языках, вместе с компактным детектором на 0,6 миллиарда параметров, рассчитанным на локальный запуск прямо на устройстве. Бенчмарк включает 13 148 синтетических диалогов между пользователем и ассистентом на 13 языках и 10 системах письма, с 37 431 упоминанием идентификаторов, размеченных на уровне отдельных символов по девяти типам личных данных. Языковой эксперимент в исследовании охватывает шесть языков разных систем письма - латиницы, кириллицы и хангыля: английский, немецкий, французский, итальянский, русский и корейский. Особенность подхода PII-TRACE - бенчмарк оценивает не изолированные фрагменты текста по отдельности, а каждый диалог целиком, что сохраняет многоязычные и смешанные форматы упоминаний, как они реально встречаются в разговоре. На уровне отдельного идентификатора «последовательное обнаружение» означает, что детектор должен покрыть каждый символ в каждом упоминании одного и того же идентификатора - оценки считаются отдельно для идентификаторов с несколькими упоминаниями и для тех, что повторяются в разных репликах разговора. Сама модель - двунаправленный энкодер на архитектуре Qwen3 примерно на 600 миллионов параметров с классификационной головой токенов, которая выдаёт BIOES-теги по девяти категориям личных данных с использованием ограниченного декодера Витерби.
Зачем нужен именно такой бенчмарк
По официальному анонсу, PII-TRACE решает конкретную проблему: большинство систем детекции личных данных проверяют изолированные фрагменты текста, а не полноценные многоходовые разговоры. В реальной переписке человек может упомянуть своё имя в одной реплике и телефон - в другой, а система должна последовательно отслеживать оба упоминания на протяжении всего диалога, а не только в рамках одного сообщения.
Масштаб и разметка бенчмарка
Бенчмарк включает 13 148 синтетических диалогов между пользователем и ассистентом на 13 языках и 10 системах письма, с 37 431 размеченным упоминанием идентификаторов на уровне отдельных символов - то есть точно указано, где именно в тексте начинается и заканчивается конкретное упоминание личных данных, по девяти разным типам таких данных.
Русский язык - в числе протестированных
Языковой эксперимент в исследовании охватывает шесть языков, представляющих разные системы письма: латиницу, кириллицу и хангыль. Список конкретно включает английский, немецкий, французский, итальянский, русский и корейский языки - то есть модель тестировалась в том числе именно на русскоязычных данных, а не только на английском.
Как измеряется «последовательное обнаружение»
На уровне отдельного идентификатора последовательное обнаружение означает, что детектор должен покрыть каждый символ в каждом упоминании одного и того же идентификатора на протяжении всего разговора. Оценки считаются отдельно для двух случаев: для идентификаторов с несколькими упоминаниями внутри одной реплики и для идентификаторов, которые повторяются в разных репликах разговора - это более строгая проверка, чем простое обнаружение факта наличия личных данных где-то в тексте.
Компактная модель для локального запуска
Технически модель детектора - двунаправленный энкодер на архитектуре Qwen3 размером примерно 600 миллионов параметров, что делает её достаточно компактной для запуска прямо на устройстве пользователя, а не только на сервере. Модель использует классификационную голову токенов, выдающую BIOES-теги по девяти категориям личных данных, и ограниченный декодер Витерби для финальной разметки. Идея в том, чтобы данные можно было проверить и, при необходимости, замаскировать ещё до того, как они уйдут за пределы устройства.
Когда Perplexity представила PII-TRACE?
1 сентября 2026 года.
Сколько языков охватывает бенчмарк PII-TRACE?
13 языков и 10 систем письма в основном датасете; языковой эксперимент отдельно охватывает шесть языков, включая русский.
Тестировался ли детектор на русском языке?
Да, русский язык - один из шести языков в языковом эксперименте исследования.
Насколько велика модель детектора?
Примерно 600 миллионов параметров - компактный размер, рассчитанный на локальный запуск на устройстве.
Чем «последовательное обнаружение» отличается от обычной детекции личных данных?
Оно требует покрыть каждый символ в каждом упоминании одного и того же идентификатора на протяжении всего разговора, а не только найти факт наличия личных данных где-то в тексте.
Сколько диалогов входит в датасет PII-TRACE?
13 148 синтетических диалогов с 37 431 размеченным упоминанием идентификаторов по девяти типам личных данных.
Источники (1)
- PII-TRACE: Detecting Personal Data Before It Leaves a Device - Perplexity
← Все статьи блога