Respan 发布 Span-01：AI质检专用决策模型，单次前向并行评估多条规则，堪称质检版Jev

Respan 推出 Span-01，一款面向AI模型监测评估的专用决策分类模型，也被称作质检专用版Jev。它用来核验其他AI输出，识别越狱攻击、隐私泄露、幻觉胡编、工具调用错误等异常行为，兼顾判断精度、推理速度与调用成本。

• 申请地址：https://www.respan.ai/blog/introducing-span-1

传统AI质检方案痛点

目前团队评估、监控AI输出主要两种路线：

1. 传统固定分类脚本：速度快，但泛化弱，遇到从未见过的新规则、新场景极易失效；
2. 通用大模型打分：判断能力强，但需要逐token生成文本，速度慢、token开销高昂，大批量生产监控成本压力大。

Span-01 的核心创新：一次前向传播完成推理+判定，不需要逐Token生成，并行评估多条自定义规则，直接输出概率。

模型可以读取完整长对话轨迹，同时核对多组临时新增的判定规则，适配业务随时新增的检测标准。

核心原理：超级并行推理分类

Span-01 先通过RLAIF完成通用分类推理训练，不是死记固定标签与分类体系，重点学习把全新自然语言规则应用在陌生上下文。

推理阶段会开启多并行定义分支，在同一条完整会话trace上，一次性并行评估多条待检测行为；依靠混合注意力机制，在长复杂对话轨迹中维持推理能力。

输出结果为三类概率：present（存在该问题）、absent（不存在）、not_observable（信息不足无法判断）。

核心理念概括：先推理，一次分类。分类难点不在于输出标签，而是将从未见过的规则，套用到陌生的对话上下文。

基准测试表现

1. 跨9个模型、英文+多语言的AI行为检测基准，Span-01综合排名第一；免费版本Span-01 Lite的表现，超越Jev以及Sonnet 5。
2. 评估维度拆分为安全、可靠性、事实接地、Agent行为、响应质量，避免单一聚合总分掩盖局部故障信号。
3. 反向基准实验：把Span-01当作评测层，评估11款新兴决策模型，检测它们的准确率、一致性、注入抵抗、概率校准能力。Span-01本身不参与榜单排名，仅作为评判工具。
   

   官方同时注明：顶级前沿大模型依旧是判断能力的上限。

版本与定价

• Span-01 Lite：完全免费，满足基础AI行为监控需求
• 完整版 Span-01：每百万输入词元 0.02 美元

适用场景

• 生产环境大模型实时监控：识别越狱提示注入、隐私信息泄露、幻觉输出
• Agent链路检测：捕获工具调用参数错误、循环调用、任务异常终止
• 模型评测流水线：批量评估候选模型、决策模型（如Jev/Tev1）的稳定性与校准度
• 自定义规则质检：随时用自然语言新增检测标准，不用重新训练分类器