「最好的方式就是用魔法對抗魔法，壞蛋濫發垃圾訊息，我們就用語言模型去大量讀取誰是垃圾。」
對抗垃圾內容的兩層防線
第一道是行為層：在註冊、登入、按讚賞時用 真人驗證（reCAPTCHA／Turnstile） 註冊或登入時用來分辨「你是真人還是機器人」的小測驗或背景檢查。 擋掉機器人（2020 年起）。第二道是內容層：2024 年起用語言模型逐篇分析內容在說什麼。
內容模型是什麼？機器怎麼學習？
因為要做的是「讀懂語意」的模型，團隊用擅長理解的 理解語意的模型（Encoder） 專門「讀懂、理解」文字語意的 AI 模型，和負責「生成」文字的聊天型模型分工不同；常見的有 BERT 這一類。 來訓練，訓練材料是營運團隊人工標記的約 4 萬篇正、反面範例（程式上用 granite 嵌入模型加 LoRA 微調）。目前的做法是，被判違規的文章不會被刪掉，只是不再出現在公開頁面。2026 年在不斷努力下，攔阻成功率從 96% 提升到 99.7%，誤判率從 3.1% 降到 0.13%。留言則改用更小的 e5-small 模型，誤判率只有 0.33%，小模型反而比笨重的大模型更精準。
99.7%
文章攔阻成功率96% → 99.7%
0.13%
誤判率3.1% → 0.13%・↓ 24 倍
0.33%
留言偽陽性e5-small 小模型
模型怎麼畫線，為什麼一定有誤刪拖分界線
不像垃圾 → 像垃圾（內容分數）
0正確擋下
0誤刪正常
0漏網垃圾
0正確保留
模型一不小心就會「自我中毒」
舊模型每天重新訓練，久了會把自己的錯誤越放越大，問題出在沒有及時把錯誤內容挑出來。某個帳號某天被標記成垃圾，之後它寫的正常文章也一直被當成垃圾，就像把可樂倒進麵團，越揉越分不清楚。好在這個分數只用在後台，沒有影響到排序。我們修正的辦法是用更強的 大型語言模型（LLM） 像 ChatGPT、Claude 這類能讀寫、理解語言的大型 AI 模型。 （Claude Sonnet）初步重新標記 5,000 筆，成本大約 1 美元，就把誤殺率降到原本的十分之一。
垃圾集團偵測：抓的是整群帳號的行為
有一種垃圾，模型給出的垃圾分數很低（某個「高雄翻譯社」只有 0.09），實際上卻是一整群帳號用同一套模板在洗版。 垃圾集團（Ring） 同一個人或團隊操作、用相同版型大量洗版的一群帳號。原始碼裡稱為 Ring。 偵測抓的就是「同一組指紋、大量新帳號、集中在短時間」這類行為模式。其中關鍵的一步是繁簡字合併比對：「披著…」用繁體去搜尋 0 筆命中，折成簡體「披着…」再搜，一下就對上 28 個帳號。我們在垃圾模型之後，更多設計了批次凍結垃圾集團帳號，降低管理人員的負擔，提升正常使用者的體驗。
垃圾集團掃描：單一模型 vs 行為偵測點節點看關聯
為什麼咖啡冷掉會變酸？從萃取曲線聊起
【註冊送888】老虎機爆分實測，出金秒到帳
重看《一一》：楊德昌拍的是我們每個人的客廳
我的書架很亂，但每一格都記得：談個人藏書整理
純天然三天根治高血壓，無效退費（限量）
海邊撿來的玻璃：一場關於潮汐與耐心的小科普
台南老屋改建札記：那道捨不得拆的磨石子樓梯
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
【專業論文翻譯】中英互譯｜母語潤稿｜當天交件，價格優惠
下面 16 張是社群裡的貼文，每張角落是它「單篇內容」的垃圾分數。先按「單篇模型偵測」，再按「集團偵測」，比較兩者各抓到什麼。
還有一個便宜又有效的解法
面對短文垃圾，團隊不只靠模型，「閒聊」頻道改用社群設計，採 邀請制白名單（opt-in） 預設不開放，想參與的人要主動申請、通過審核才能加入。 ，半個月內就把垃圾清成零，「比模型還便宜、還有效」，但缺點就是正常使用者需要主動申請才可以加入。