Perplexity เปิดตัวมาตรฐาน PII-TRACE และตัวตรวจจับ PII-Tracer บนอุปกรณ์

Perplexity เมื่อวันที่ 1 กันยายน 2026 ได้เปิดตัว PII-TRACE ซึ่งเป็นมาตรฐานสำหรับประเมินตัวตรวจจับข้อมูลส่วนบุคคลที่สามารถระบุตัวตนได้ (PII) และ PII‑Tracer โมเดลขนาดกะทัดรัดขนาด 0.6 พันล้านพารามิเตอร์ ที่ออกแบบให้ตรวจจับ PII บนอุปกรณ์ของผู้ใช้ก่อนที่ข้อความจะถูกส่งไปยังโมเดลบนคลาวด์ การประกาศนี้นำทั้งสองผลิตภัณฑ์มาเป็นโครงสร้างพื้นฐานด้านความเป็นส่วนตัวสำหรับสถาปัตยกรรมการคำนวณแบบไฮบริดของบริษัท ซึ่งเอเจนต์บนคลาวด์รับหน้าที่การวิจัย การให้เหตุผล และการวางแผน ในขณะที่โมเดลท้องถิ่นทำงานกับไฟล์ส่วนตัว

ภายใต้สถาปัตยกรรมดังกล่าว เกตความเป็นส่วนตัวระดับท้องถิ่นจะเก็บเนื้อหาที่ละเอียดอ่อนไว้บน Mac ทำการลบข้อมูลส่วนตัวที่ตรวจพบ หรือขอการอนุมัติก่อนส่งไปยังคลาวด์ Perplexity กล่าวว่าเส้นขอบเขตนี้จะคุ้มครองความเป็นส่วนตัวได้เฉพาะเมื่ออุปกรณ์สามารถระบุ PII ก่อนที่ข้อความจะถูกส่งไปยังโมเดลระยะไกล และการตรวจจับจะยากขึ้นในบทสนทนาที่ยาวและหลายภาษา ที่ตัวระบุเดียวกันอาจปรากฏหลายครั้งในหลายรอบ การพลาดการระบุเพียงครั้งเดียวอาจทำให้ข้อมูลที่ระบบตั้งใจปกป้องถูกเปิดเผย

PII‑Tracer ให้สัญญาณควบคุมระดับท้องถิ่นหนึ่งสัญญาณสำหรับการกำหนดเส้นทางโมเดลโดยทำเครื่องหมายช่วงที่คาดว่าจะมี PII แอปพลิเคชันจากนั้นบังคับใช้นโยบายการกำหนดเส้นทาง: เก็บข้อมูลอินพุตที่เกี่ยวข้องไว้ในระดับท้องถิ่น ลบช่วงที่ตรวจพบ หรือขอการอนุมัติอย่างชัดเจนก่อนส่งต่อไปยังโมเดลบนคลาวด์

มาตรฐาน PII-TRACE

PII‑TRACE ซึ่งย่อมาจาก Tracing Recurring PII Across Conversational Exchanges ประกอบด้วยการสนทนาผู้ใช้‑ผู้ช่วยสังเคราะห์จำนวน 13,148 รายการ ครอบคลุม 13 ภาษาและ 10 ระบบการเขียน พร้อมการระบุการกล่าวถึงตัวระบุ 37,431 รายการในระดับอักขระ ครอบคลุมประเภท PII ทั้งเก้าแบบ จำนวน 41% ของการสนทนามีเนื้อหาแบบโครงสร้าง จากการสนทนา 5,645 รายการที่มีการระบุ PII, 63.8% มีตัวระบุที่ปรากฏมากกว่าหนึ่งครั้ง, และ 28.7% มีตัวระบุที่ปรากฏข้ามหลายรอบ

Perplexity กล่าวว่าได้ออกแบบมาตรฐานนี้โดยอิงพฤติกรรมสามประการที่สำคัญเมื่อเครื่องมือตรวจจับตรวจสอบการสนทนาผู้ช่วย ประการแรกคือการครอบคลุมอย่างสม่ำเสมอ: เมื่อมีตัวระบุปรากฏหลายครั้งหรือข้ามรอบของผู้ใช้และผู้ช่วย ตัวตรวจจับต้องค้นพบทุกการกล่าวถึง ประการที่สองคือความทนทานต่อบริบทยาว โดยการสนทนามีความยาวตั้งแต่ต่ำกว่า 1,000 ถึงมากกว่า 100,000 อักขระ ประการที่สามคือการจัดการหลายภาษาและเนื้อหารูปแบบผสม เนื่องจากการสนทนาอาจสลับภาษาและผสานข้อความปกติกับโค้ด ตาราง หรือบันทึกเชิงโครงสร้าง

มาตรฐานนี้วัดประสิทธิภาพในสองระดับ ระดับตัวระบุ จะให้คะแนนการตรวจจับอย่างสม่ำเสมอว่าตัวตรวจจับครอบคลุมทุกอักขระในทุกการกล่าวถึงของตัวระบุเดียวกันหรือไม่ โดยแยกรายงานสำหรับตัวระบุที่มีการกล่าวถึงหลายครั้งและสำหรับตัวระบุที่ซ้ำข้ามรอบต่างๆ ระดับอักขระ ความแม่นยำ (precision) วัดว่าข้อความที่ตัวตรวจจับทำเครื่องหมายเป็น PII มีสัดส่วนเท่าใด การเรียกคืน (recall) วัดว่าตัวตรวจจับพบ PII ที่ทำเครื่องหมายได้เท่าใด และค่า F1 จะสมดุลระหว่างสองค่า

ชุดข้อมูลเป็นข้อมูลสังเคราะห์แต่ได้มาจากการสนทนาผลิตจริง ตามที่บริษัทระบุ โมเดลหลายภาษาจะทำการทำเครื่องหมายประเภท PII ทั้งเก้าแบบในการสนทนาผู้ใช้‑ผู้ช่วยผลผลิต จากนั้นกระบวนการตามกฎจะจัดกลุ่มตัวระบุที่ซ้ำของประเภทเดียวกันภายใต้ ID เอนทิตี้เดียว ค่าแต่ละค่าที่ทำเครื่องหมายจะถูกแทนที่ด้วยตัวแทนที่ระบุประเภท การสนทนาแต่ละรอบจะถูกพาราฟเรซด้วยตัวแทนที่คงอยู่ และค่าข้อมูลสังเคราะห์ที่ตรงกับประเภทและรูปแบบของแต่ละตัวระบุจะถูกแทรกเข้ามา ระบบตรวจสอบอัตโนมัติสามขั้นตอนตรวจสอบว่าการแทนที่ตรงกับช่วงที่เก็บไว้ การกล่าวถึงที่ซ้ำใช้ค่าเดียวกัน และค่าที่ทำเครื่องหมายไม่มีอยู่หลังการสแกนด้วย Presidio และ regular‑expression อีกครั้ง โมเดลภาษาที่สองทำการตรวจสอบตัวอย่าง และมนุษย์ตรวจทานทุกอย่างที่ระบบทำเครื่องหมายว่าเป็น PII

ตัวตรวจจับขนาดกะทัดรัดสำหรับการใช้งานในระดับท้องถิ่น

PII‑Tracer เป็นตัวเข้ารหัสสองทางขนาด 0.6 พันล้านพารามิเตอร์ที่ดัดแปลงมาจากโครงสร้าง Qwen3 Perplexity กล่าวว่า การคัดกรองความเป็นส่วนตัวแตกต่างจากการสร้างข้อความเนื่องจากต้องค้นหาช่วง PII ที่เกี่ยวข้องและส่งคืนขอบเขตของมัน ดังนั้นโมเดลจึงแทนที่ causal mask ของ Qwen3 ด้วย attention แบบสองทางที่รับรู้การเติม padding ทำให้โทเคนแต่ละตัวสามารถอ้างอิงทั้งรอบก่อนและหลังภายในหน้าต่าง 4,096 โทเคน

สำหรับแต่ละโทเคน ตัวเข้ารหัสจะสร้างการแสดงผลมิติ 1,024 มิติ และหัวแท็กเชิงเส้นจะให้คะแนน 37 ป้ายกำกับที่เป็นไปได้ภายใต้โครงสร้าง BIOES สำหรับการจดจำเอนทิตี้ที่ตั้งชื่อ: ป้ายกำกับหนึ่งสำหรับข้อความที่อยู่นอกช่วง PII และป้ายกำกับตำแหน่งช่วงสี่ตำแหน่งสำหรับแต่ละประเภทของ PII ทั้งเก้าแบบ ส่วนหัวเสริมจะพยากรณ์ว่าการสนทนามีเนื้อหาที่ละเอียดอ่อนหรือไม่ เช่น ข้อมูลสุขภาพหรือศาสนา บริษัทระบุว่าได้ฝึกโมเดลเป็นสาม epoch โดยใช้ตัวอย่างการฝึกประมาณ 714,000 ตัวอย่างที่ผสานการสนทนาผู้ช่วยหลายภาษาเข้ากับตัวอย่างบันทึกเดียว ในช่วงการสรุปผล ตัวถอดรหัส Viterbi ที่จำกัดจะค้นหาลำดับป้ายกำกับที่มีคะแนนสูงสุดที่เป็นไปได้และแปลงผลลัพธ์กลับเป็นช่วงอักขระที่แม่นยำสำหรับการลบหรือการกำหนดเส้นทางในระดับท้องถิ่น

ผลการประเมิน

Perplexity รายงานว่า PII‑Tracer ได้คะแนน F1 ระดับอักขระสูงสุด (0.629) ในบรรดาระบบ 12 ระบบที่ประเมิน รวมทั้งได้คะแนน F1 ระดับช่วงซ้อนกันที่สองสูงสุดและ F1 ระดับการครอบคลุมช่วงที่สองสูงสุด บริษัทระบุว่าโมเดลแนวหน้าอย่าง GPT‑5.6‑sol และ Claude Sonnet 5 มีประสิทธิภาพโดยรวมที่เทียบเคียงกัน โดย GPT‑5.6‑sol ให้คะแนนสูงกว่าในเมตริกระดับช่วงแต่คะแนน F1 ระดับอักขระต่ำกว่า บริษัทชี้ให้เห็นว่าโมเดลแนวหน้าเหล่านั้นมีพารามิเตอร์หลายร้อยพันล้านหรือแม้แต่ล้านล้าน และเป็นโมเดลแบบปิดซอร์สที่โฮสต์บนคลาวด์ ทำให้ไม่เหมาะสำหรับการคัดกรองข้อความที่ต้องอยู่ในระดับท้องถิ่น ในขณะที่ตัวตรวจจับ PII แบบโอเพ่นซอร์สอื่น ๆ ทำงานได้แย่กว่ามากเมื่อเทียบกับ PII‑Tracer

ในการทดสอบความสม่ำเสมอ ชุดประเมินมีตัวระบุ 899 รายการที่ปรากฏครั้งเดียวและ 959 รายการที่ปรากฏมากกว่าหนึ่งครั้ง โดย 790 รายการครอบคลุมหลายรอบ Perplexity รายงานว่า PII‑Tracer พบการกล่าวถึงทั้งหมดของ 79.4% ของตัวระบุที่ซ้ำและ 77.6% ของตัวระบุที่ข้ามรอบ ในขณะที่ GPT‑5.6‑sol มีอัตรา 57.0% และ 55.1% ในสองมาตรการเดียวกัน คะแนนของ PII‑Tracer ลดลงจาก 0.917 สำหรับตัวระบุที่กล่าวถึงครั้งเดียวเป็น 0.691 สำหรับตัวระบุที่ปรากฏหกถึงสิบครั้ง

ความยาวยังคงเป็นข้อจำกัด การเรียกคืนแบบหน้าต่างเดียวอยู่ที่ 0.975 สำหรับการสนทนาที่มีอักขระต่ำกว่า 1,000 และ 0.955 สำหรับช่วง 1,000 ถึง 10,000 แต่ลดลงเป็น 0.687 เมื่ออักขระเท่ากับหรือมากกว่า 10,000 บริษัทระบุว่าการถอดรหัสเช็คพอยท์เดียวกันด้วยหน้าต่างเลื่อนที่ทับซ้อน 50% ทำให้การเรียกคืนอักขระโดยรวมเพิ่มจาก 0.830 เป็น 0.965 และการตรวจจับความสม่ำเสมอหลายการกล่าวถึงเพิ่มจาก 0.794 เป็น 0.954 โดยไม่ต้องฝึกใหม่

ในส่วนของหกภาษา ที่ครอบคลุมสคริปต์ Latin, Cyrillic และ Hangul, PII‑Tracer มีคะแนน F1 ระดับอักขระสูงสุดในภาษาเยอรมัน (0.735), ฝรั่งเศส (0.633), อิตาลี (0.676) และรัสเซีย (0.651) และอยู่ห่างเพียง 0.016‑0.036 จากผลลัพธ์ที่ดีที่สุดในภาษาอังกฤษและเกาหลี บริษัทรายงานว่า ในห้าชุดมาตรฐานบันทึกเดียวภายนอก PII‑Tracer มีคะแนน F1 ระดับอักขระสูงกว่า OpenAI Privacy Filter ในทุกชุดข้อมูล รวมถึง 0.950 เทียบกับ 0.907 ใน ai4privacy, 0.847 เทียบกับ 0.709 ใน Nemotron‑PII, และ 0.594 เทียบกับ 0.350 ใน TAB ซึ่งเป็นมาตรฐานเดียวในกลุ่มที่สร้างจากข้อความที่มนุษย์ทำเครื่องหมายจริง

เอกสารวิจัยเตือนว่า การสนทนาเหล่านี้เป็นการสร้างสังเคราะห์ที่อิงจากโครงสร้างของการจราจรผู้ช่วยในผลิตจริง ดังนั้นผลลัพธ์ควรอ่านเป็นการวัดการตรวจจับ PII ในการสนทนา ไม่ใช่การประมาณสำหรับภาระงานการผลิตใด ๆ โดยเฉพาะ เอกสารยังระบุว่าการเรียกใช้เครื่องมือ ข้อความระหว่างเอเจนต์ และอินพุตแบบหลายโหมดอยู่นอกขอบเขตของมาตรฐาน และแต่ละฐานเปรียบเทียบถูกประเมินภายใต้การกำหนดค่าการสรุปผลเดียว Perplexity กล่าวว่าแผนจะปล่อยทั้ง PII‑TRACE และ PII‑Tracer ในเร็ว ๆ นี้; เอกสารระบุว่าทั้งสองจะถูกปล่อยภายใต้สัญญาอนุญาต MIT.