问题
多渠道 UGC 平台（网页、平板、移动端）的运营团队需要按自家的行为+主题双轴审核政策做内容审核。通用模型没微调时效果差：基线 Per Behavior Macro F1 只有 0.5852，没法直接用；接 Guardrails 或通用审核 API 又对不上自家政策分类体系。团队要么大量人工标注+人审兜底，要么自建微调管线（SageMaker、数据、评测、上线一整套），门槛高。
目标用户
中小电商/社区/会员平台的信任与安全、运营团队；有 UGC 多渠道审核需求但没有专职 ML 团队的公司。AWS 博客里出现的是大型零售会员平台，说明头部有这个需求，中小平台更多但付费能力要验证。
解决方案
- 政策结构化：把客户散落的审核政策文档转成两轴（行为/主题）标签体系
- 数据飞轮：人审纠错回流成训练集，内置质量验收
- 一键微调：托管 Nova 2 Lite 或同级开源模型的 SFT + prompt 级输出优化
- 硬/软门评测：上线前自动跑 F1 等指标，达标才晋级
- 按渠道接入：web/移动/平板 API 统一调用，带兜底人审队列 AI 扮演核心：分类靠微调后的模型，政策理解靠 LLM 辅助做标签体系对齐。
为什么是现在
AWS 官方博客（2026-10）披露零售平台用 Nova 2 Lite 做业务政策微调的完整方案，说明新模型+成熟 SFT 工具链已把这个需求跑通；通用模型基线只有 0.5852 的 F1，证明"不微调直接上"这条路确实不行。
MVP 范围
做：政策→标签体系解析、标注回流、托管 SFT（Nova 2 Lite 或开源同级）、F1 评测报告、审核 API。 不做：不做实时视频/语音审核、不做自己训练基座模型、不做审核执行动作（封号等）本身。
变现方式
null（博客属于厂商能力展示，无付费意愿数据，无法给出定价依据）
风险
- 依赖底层模型和云厂商（Nova/SageMaker），AWS 自己可能把这套流程产品化
- 政策差异大导致交付偏服务而非纯 SaaS，毛利和规模化受限
- 客户审核数据敏感，合规成本高
- 大客户（如 AWS 案例中的零售平台）已有内部 ML 团队，自己能做
已有产品
| 产品 | 定位 | 价格 |
|---|---|---|
| Amazon SageMaker AI | AWS 官方微调平台，博客里的参考实现基础，DIY 路线核心组件，是所有客户的自建替代品，也是本产品的底层依赖风险来源。建议策略：只做上游的政策解析+数据飞轮+评测层，跟 SageMaker 而不是硬刚。 | — |
| Amazon Bedrock Guardrails | AWS 的政策化审核护栏，是"免训练对齐政策"最直接替代方案，虽然通用政策对不上私有双轴体系，但 AWS 未来把 Fine tuning 与 Guardrails 打包是最大的平台级威胁。 | — |
| Amazon Nova 2 Lite | 案例中被微调的模型，说明该模型 SFT 已被 AWS 官方流程跑通。对创业公司：既是威胁（客户可照抄官方博客自建）也是机会（微调源模型供应链单一，绑定风险高）。 | — |
| Amazon Bedrock | AWS 托管模型推理平台，Nova 2 系列所在之处，代表"直接调用通用/托管模型"这条替代路线，也承载 Guardrails。威胁：客户若接受通用效果+Guardrails 拼凑，可能不付费买微调。 | — |
| Amazon Nova 2 Pro | AWS 高阶旗舰模型，代表更强基线路线：直接用大模型+长提示，可能部分场景跳过微调，是轻量微调需求的潜在分流。 | — |
信号证据
这张卡片依据的原始讨论。摘录保持原文，点“原文”查看上下文。
AWS Machine Learning Blog10月1日新能力隐含付费意愿
“Without fine-tuning, Amazon Nova 2 Lite achieved a Per Behavior Macro F1 of 0.5852 and a S”
General-purpose models without fine-tuning performed poorly on business-specific moderation taxonomies (Per Behavior Macro F1 of 0.5852 at baseline).原文
AWS Machine Learning Blog10月1日新能力隐含付费意愿
“In this post, we show how the team adapted Amazon Nova 2 Lite to these business-specific moderation policies through supervised fine-tuning in Amazon SageMaker AI and a final prompt-level output optimization.”
A retail membership platform needed a general-purpose model customized to business-specific content moderation policies across two classification axes (behavior and subject type).原文