从初筛到影响：可解释 Persian 仇恨言论的多跳推理基准

研究者发布了一个面向 Persian 仇恨言论的细粒度、多跳推理基准，覆盖内容初筛、目标识别、仇恨策略与道德基础分析、文本证据抽取、有害叙事推断和严重度评估。评估主流 LLM 后发现，任务越需要细粒度语义与推理，模型表现越下降；闭源模型总体优于开放权重模型，推理型模型无明显优势；加入中间推理步骤能明显改善严重度预测。

此前 Persian 等低资源语言缺少细粒度标注数据与评测方法，仇恨言论分析多停留在二分类检测。该基准把评测推进到目标识别、策略归因与严重度评估，并公开数据，使低资源语言的审核质量可被分步衡量。

多跳设计把审核拆成串联子任务，要求模型先找证据再推断叙事与严重度，因此能暴露一次性判断中被掩盖的推理缺口。闭源模型领先与推理型模型无稳定优势，说明通用推理能力未必等同于细粒度社会语义判断，中间步骤的价值在于约束推断路径。

对内容审核产品，可将严重度评估从单次打分改为带证据链的分步流程，并据此设计人工复核优先级。对研发，需按子任务分别选型与评测，而非只看模型综合排名；对 Persian 等低资源市场，可减少对自建标注集的依赖。

• 在内容审核后台引入基于该基准的子任务评测，按目标识别、策略归因、严重度分别记录模型表现。
• 为 Persian 内容审核建立带证据抽取的多跳推理链路，将中间步骤作为人工复核的可解释依据。
• 针对严重度预测场景，对比一次性打分与分步推理的成本与准确率，决定是否默认启用多跳模式。
• 将该基准的子任务拆解方式复用到其他低资源语言，先验证迁移效果再扩展标注投入。

• 该基准的数据规模、标注者一致性和语言变体覆盖程度如何，是否在论文中有完整报告？
• 加入中间推理步骤带来的严重度预测提升幅度具体是多少，是否伴随推理成本显著上升？
• 宣称的闭源模型优势是否在不同子任务上一致，还是仅体现在部分推理密集型任务？
• 该基准对真实社交媒体平台的审核流程是否做过端到端验证，而非仅在离线评测中检验？