什么是 MoM 模型家族？
MoM (模型混合) 模型家族 是一个精心挑选的专用轻量级模型集合，专为智能路由、内容安全和语义理解而设计。这些模型为语义路由的核心能力提供动力，实现快速、准确和隐私保护的 AI 操作。
概览
MoM 家族由专门构建的模型组成，用于处理路由管道中的特定任务：
- 分类模型：领域检测、PII 识别、越狱检测
- 嵌入模型：语义相似度、缓存、检索
- 安全模型：幻觉检测、内容审核
- 反馈模型：用户意图理解、对话分析
所有 MoM 模型都具有以下特点：
- 轻量级：33M-600M 参数，实现快速推理
- 专用：针对特定路由任务进行微调
- 高效：许多模型使用 LoRA 适配器，占用内存极小
- 开源：可在 HuggingFace 上获取，以实现透明度和自定义
模型类别
1. 分类模型
领域/意图分类器 (Domain/Intent Classifier)
- 模型 ID:
models/mom-domain-classifier - HuggingFace:
LLM-Semantic-Router/lora_intent_classifier_bert-base-uncased_model - 用途：将用户查询分类为 14 个 MMLU 类别（数学、科学、历史等）
- 架构：BERT-base (110M) + LoRA 适配器
- 用例：将查询路由到特定领域的模型或专家
PII 检测器 (PII Detector)
- 模型 ID:
models/mom-pii-classifier - HuggingFace:
LLM-Semantic-Router/lora_pii_detector_bert-base-uncased_model - 用途：检测 35 种类型的个人身份信息
- 架构：BERT-base (110M) + LoRA 适配器
- 用例：隐私保护、合规性、数据脱敏
越狱检测器 (Jailbreak Detector)
- 模型 ID:
models/mom-jailbreak-classifier - HuggingFace:
LLM-Semantic-Router/lora_jailbreak_classifier_bert-base-uncased_model - 用途：检测提示词注入和越狱尝试
- 架构：BERT-base (110M) + LoRA 适配器
- 用例：内容安全、提示词安全
反馈检测器 (Feedback Detector)
- 模型 ID:
models/mom-feedback-detector - HuggingFace:
llm-semantic-router/feedback-detector - 用途：将用户反馈分类为 4 种类型（满意、需要澄清、错误答案、想要不同的答案）
- 架构：ModernBERT-base (149M)
- 用例：自适应路由、对话改进
2. 嵌入模型
Embedding Pro (高质量)
- 模型 ID:
models/mom-embedding-pro - HuggingFace:
Qwen/Qwen3-Embedding-0.6B - 用途：支持 32K 上下文的高质量嵌入
- 架构：Qwen3 (600M 参数)
- 嵌入维度：1024
- 用例：长上下文语义搜索、高精度缓存
Embedding Flash (平衡)
- 模型 ID:
models/mom-embedding-flash - HuggingFace:
google/embeddinggemma-300m - 用途：支持 Matryoshka (套娃) 的快速嵌入
- 架构：Gemma (300M 参数)
- 嵌入维度：768 (支持通过 Matryoshka 使用 512/256/128)
- 用例：平衡的速度/质量、多语言支持
Embedding Light (快速)
- 模型 ID:
models/mom-embedding-light - HuggingFace:
sentence-transformers/all-MiniLM-L12-v2 - 用途：轻量级语义相似度
- 架构：MiniLM (33M 参数)
- 嵌入维度：384
- 用例：快速语义缓存、低延迟检索
3. 幻觉检测模型
Halugate Sentinel
- 模型 ID:
models/mom-halugate-sentinel - HuggingFace:
LLM-Semantic-Router/halugate-sentinel - 用途：第一阶段幻觉筛查
- 架构：BERT-base (110M)
- 用例：快速幻觉检测、预过滤
Halugate Detector
- 模型 ID:
models/mom-halugate-detector - HuggingFace:
KRLabsOrg/lettucedect-base-modernbert-en-v1 - 用途：精准幻觉验证
- 架构：ModernBERT-base (149M)
- 上下文长度：8192 Tokens
- 用例：事实准确性验证、基础检查
Halugate Explainer
- 模型 ID:
models/mom-halugate-explainer - HuggingFace:
tasksource/ModernBERT-base-nli - 用途：通过 NLI 解释幻觉推理
- 架构：ModernBERT-base (149M)
- 类别：3 (蕴含/中立/矛盾)
- 用例：可解释 AI、幻觉分析
模型选择指南
按用例
| 用例 | 推荐模型 | 原因 |
|---|---|---|
| 领域路由 | mom-domain-classifier | 14 个 MMLU 类别，LoRA 高效 |
| 隐私保护 | mom-pii-classifier | 35 种 PII 类型，Token 级检测 |
| 内容安全 | mom-jailbreak-classifier | 提示词注入检测 |
| 语义缓存 | mom-embedding-light | 快速，384 维，低延迟 |
| 长上下文搜索 | mom-embedding-pro | 32K 上下文，1024 维 |
| 幻觉检查 | mom-halugate-detector | ModernBERT，8K 上下文 |
| 用户反馈 | mom-feedback-detector | 4 种反馈类型，ModernBERT |
按性能要求
| 要求 | 模型层级 | 示例 |
|---|---|---|
| 超快 (<10ms) | Light | mom-embedding-light, mom-jailbreak-classifier |
| 平衡 (10-50ms) | Flash | mom-embedding-flash, mom-domain-classifier |
| 高质量 (50-200ms) | Pro | mom-embedding-pro, mom-halugate-detector |
配置
在路由中使用 MoM 模型
MoM 模型在 router-defaults.yaml 中预先配置：
# Domain classification
classifier:
category_model:
model_id: "models/mom-domain-classifier"
threshold: 0.6
use_cpu: true
# PII detection
classifier:
pii_model:
model_id: "models/mom-pii-classifier"
threshold: 0.9
use_cpu: true
# Jailbreak protection
prompt_guard:
model_id: "models/mom-jailbreak-classifier"
threshold: 0.7
use_cpu: true
自定义模型注册表
在您的 config.yaml 中覆盖默认注册表：
mom_registry:
"models/mom-domain-classifier": "your-org/custom-domain-classifier"
"models/mom-pii-classifier": "your-org/custom-pii-detector"
"models/mom-embedding-pro": "your-org/custom-embeddings"
模型架构
基于 LoRA 的模型
许多 MoM 模型使用 LoRA (低秩适应) 以提高效率：
- 基础模型: BERT-base-uncased (110M 参数)
- LoRA 适配器: 每项任务 <1M 参数
- 内存占用: ~440MB 基础 + ~4MB 每个适配器
- 推理速度: 与基础模型相同 (CPU 上 ~10-20ms)
ModernBERT 模型
较新的模型使用 ModernBERT 以获得更好的性能：
- 架构: ModernBERT-base (149M 参数)
- 上下文长度: 8192 Tokens (对比 BERT 的 512)
- 性能: 在长上下文任务上具有更好的准确性
- 用例: 幻觉检测、反馈分类