FRAUDSkill：用於語音反詐偵測的結構化凍結權重技能最佳化
為何重要
FRAUDSkill 展示瞭如何將通用的 Audio-Language Model 掛載於嚴格的業務邏輯之上，解決了產業部署中常見的「合規π約束」應用難題。這種在不修改巨大基座模型的情況下，透過外掛層最佳化來適應快速變化的詐騙手法與標籤政策，為開發者在建構具備特定 Compliant 約束的 Agent 時提供了低成本且可維護的實作路徑。
- 在 TeleAntiFraud 基準測試上達成 73.50% Macro-F1 分數，優於凍結模型基線 31.96%，並將無效輸出壓降至 1.94%。
- 採用結構化凍結權重適配框架，僅最佳化外掛的技能程式、路徑專屬政策與決策規則，底層 Audio-Language Model 保持不變。
- 結合結構化輸出控制與驗證引導的多路推論，以確保輸出符合預先定義的通訊服務場景偵測協議。
- 開原始碼庫已發布於 anonymous.4open.science。