M-PACE: 多模态合规性的母子框架
计算机视觉与模式识别
2025-09-22 v1 计算与语言
摘要
确保多模态内容符合品牌、法律或平台特定的合规标准，是跨领域日益复杂的挑战。传统合规框架通常依赖碎片化的多阶段流水线，集成独立的图像分类、文本提取、音频转录、手工检查和基于规则的合并模块。这种架构碎片化增加了运营开销，阻碍了可扩展性，并妨碍了高效适应动态指南的能力。随着多模态大语言模型 (MLLM) 的出现，越来越多地有望将这些工作流统一到一个能够联合处理视觉和文本内容的通用框架中。基于此，我们提出了多模态参数无关合规引擎 (M-PACE)，一个旨在单次遍历中评估视觉语言输入属性的框架。作为代表性用例，我们将 M-PACE 应用于广告合规，展示了其评估超过 15 项合规相关属性的能力。为支持结构化评估，我们引入了一个经过人工标注的基准数据集，并增加了模拟挑战性真实条件的增强样本，包括视觉遮挡和粗俗语言注入。M-PACE 采用母子 MLLM 设置，表明更强的父 MLLM 评估子模型的输出可以显著减少对人类审核者的依赖，从而实现质量控制自动化。我们的分析显示推理成本降低超过 31 倍，最高效的模型（由母 MLLM 选择的 Gemini 2.0 Flash 作为子 MLLM）以每张图像 0.0005 的成本运行，而 Gemini 2.5 Pro 以相当精度运行的成本为 0.0159，突显了 M-PACE 在广告数据真实部署中实现的成本与输出质量之间的权衡。
引用
@article{arxiv.2509.15241,
title = {M-PACE: Mother Child Framework for Multimodal Compliance},
author = {Shreyash Verma and Amit Kesari and Vinayak Trivedi and Anupam Purwar and Ratnesh Jamidar},
journal= {arXiv preprint arXiv:2509.15241},
year = {2025}
}
备注
The M-PACE framework uses a "mother-child" AI model system to automate and unify compliance checks for ads, reducing costs while maintaining high accuracy