跳到正文
全部产品

Nema Veil

Nema Veil 是我们自己的个人数据识别模型。它能找出文本中的人名、公司、地点和联系方式——这样 Nema Crew 就能在任何内容发送给 AI 模型之前,把它们替换为占位符。

版本
3.0.0
基础
GLiNER2(mDeBERTa-v3)
运行于
Nema 位于欧盟的服务器

它识别什么

Veil 会标出文本中的片段并说明其类型:人名、公司、地点、电子邮箱、电话号码、IBAN、证件号或客户编号、出生日期或健康信息。替换和还原由 Crew 完成。品牌、缩写、字段名和代码标识符应保持可读——“Google”、“SEO”或 send_mail 都不是个人数据。

它在哪里运行

Veil 运行在 Nema 自己位于欧盟的服务器上。识别过程中,任何文本都不会发送给其他服务商。在 Crew 中开启后,它会与开源基础模型 GLiNER2 一起识别图片中的文字。

基准测试

使用我们自己的测试集测量:375 篇德语和英语文本——聊天、智能体回复、电子邮件、工单、工具结果和代码。其中包含 1,010 处必须识别的真实信息,以及 1,456 处必须保持可读的陷阱。测试集中的文本均未出现在训练数据中;基准测试会自动检查这一点。

指标Veil 2.0Veil 3.0
泄漏真实信息未被识别 · 越低越好6(0.6%)5(0.5%)
误入陷阱品牌、缩写或字段名被替换 · 越低越好375(23.8%)90(5.7%)
误识别每 1,000 个字符 · 越低越好6.61.7
过度替换被替换但不含信息的字符比例 · 越低越好9.0%2.9%
精确命中起止位置完全一致 · 越高越好89.2%90.2%
计算时间每 1,000 个字符,CPU · 越低越好≈ 930 毫秒≈ 920 毫秒

在另一套含 1,358 处信息的测试集上,Veil 3.0 识别出 98.2%(Veil 2.0:98.3%),过度替换 4.5%(此前 5.7%)。

截至 2026 年 10 月 23 日

我们如何测量

自建测试集
测试集由我们自己编写,依据的是 Crew 中会出现的各类文本。它不公开,也不是独立测试。
固定的发布规则
只有当新版本在总体和每个类别中的泄漏都不多于旧版本、误入陷阱的次数最多为旧版本的一半、且误识别不多于旧版本时,才会上线。
不依赖词表
Veil 根据上下文识别,而不是依据固定的人名或品牌列表。每个组织在 Crew 中自行维护自己的词条。

它的局限

  • Veil 并不能识别所有内容:在基准测试中,大约每 200 处信息就有一处漏掉。漏掉的内容会原样发出。
  • 我们只测量了德语和英语,其他语言没有数据。
  • 部分阈值是参照第二套测试集调整的,因此它已不再完全未被使用。
  • Veil 仍会把一些知名品牌当作客户的公司,例如“Amazon Web Services”。

隐私保护理念