<?xml version="1.0" encoding="utf-8"?>
<feed xmlns="http://www.w3.org/2005/Atom" xml:lang="zh-Hans">
<title>albadr.ai 博客</title>
<subtitle>albadr.ai 的博客：BADR 和 Translator 能做什么，它们的架构是怎样的，以及我们测量到了什么。</subtitle>
<link href="https://blog.albadr.ai/zh/feed.xml" rel="self"/>
<link href="https://blog.albadr.ai/zh/"/>
<id>https://blog.albadr.ai/zh/</id>
<updated>2026-11-17T08:00:00Z</updated>
<entry>
<title>比话音晚半秒</title>
<link href="https://blog.albadr.ai/zh/half-a-second-behind-the-voice/"/>
<id>https://blog.albadr.ai/zh/half-a-second-behind-the-voice/</id>
<published>2026-11-17T08:00:00Z</published>
<updated>2026-11-17T08:00:00Z</updated>
<author><name>albadr.ai</name></author>
<summary>Translator 是我们做的 MVP 演示版，用 AI 在五种语言之间做实时语音翻译。在一颗 2012 年的台式机处理器上，不用图形处理器，一个英语词说出口后，平均 573 毫秒出现在屏幕上；识别出的词，大约每七个里有一个是错的。</summary>
<content type="html">&lt;p&gt;2025 年，评测实时语音翻译系统的学术会议 IWSLT，用它给机器计时的那块秒表，给一位职业口译员也计了一回时：一个人，独自工作，只凭音频。从捷克语译成英语，按这个指标算，这位译员比讲话人晚 &lt;a href=&quot;https://aclanthology.org/2025.iwslt-1.44.pdf&quot;&gt;4.16 秒&lt;/a&gt;，而一套研究系统在同一份材料上是 1.51 秒。不过，人工评审给这位译员的评分仍然更高。&lt;/p&gt;
&lt;p&gt;我们的演示版 Translator，在一个英语词说出口 573 毫秒后把它显示在屏幕上，607 毫秒后，法语译文也覆盖到了这个词。这两个数是 99 句录音的平均值，用的是一颗 2012 年的台式机处理器（Intel Core i7-3770，四核，8 GB 内存），没有用到图形处理器（GPU）。&lt;/p&gt;
&lt;p&gt;口译员给出的是语音，应对的是真实的交谈。我们的数字说的是屏幕上的文字，是用朗读句子的录音测出来的，而且识别出的词大约每七个里有一个是错的。Translator 是一个 MVP 演示版，2026 年 11 月 15 日起在 &lt;a href=&quot;https://translate.albadr.ai&quot;&gt;translate.albadr.ai&lt;/a&gt; 公开，有配额限制。&lt;/p&gt;
&lt;h2 id=&quot;translator-是什么&quot;&gt;Translator 是什么&lt;/h2&gt;
&lt;p&gt;Translator 是一个网页。选好自己说的语言和想读的语言，按下“开始”，开口说话；话还没说完，说出的话和译文就已经以文字的形式出现了。英语、法语、俄语、阿拉伯语和中文之间的 20 个方向，它都能做；这是&lt;a href=&quot;https://www.un.org/en/our-work/official-languages&quot;&gt;联合国六种正式语言&lt;/a&gt;中的五种（第六种是西班牙语）。输出的是屏幕上的文字，不是合成语音。&lt;/p&gt;
&lt;p&gt;全部工作都由 AI 完成：神经网络语音识别和神经机器翻译，一个语言对同时用上好几个模型，实时运行。这些模型都不需要 GPU。同一批模型既能跑在小型服务器的普通处理器上，也能跑在访客自己机器的浏览器标签页里。页面在自己的名字下面写着“来自 albadr.ai 的全 AI 解决方案”，首屏的一张卡片把这句话的意思讲明白了：“没有人在听、在打字或在翻译。和所有 AI 一样，它偶尔会弄错一个词。”最后这一句，我们可以给出数字。在许多不同说话人朗读的句子上，识别出的词大约每七个里有一个是错的；口音重、有噪声或者两个人同时说话时，错得更多。&lt;/p&gt;
&lt;p&gt;作为演示版，它是限量使用的。引擎在访客自己的设备上运行时，一个网络地址每天可以用四小时，经由我们的服务器则是每天二十分钟；一次会话如果 90 秒没有人声，就会结束。眼下没有账号，没有付费，没有定价，也没有供客户系统对接的接口。&lt;/p&gt;
&lt;h2 id=&quot;缺少口译员的地方&quot;&gt;缺少口译员的地方&lt;/h2&gt;
&lt;p&gt;英国上议院的一个委员会报告说，2024 年 1 月至 9 月间，英格兰和威尔士的法院里有 &lt;a href=&quot;https://publications.parliament.uk/pa/ld5901/ldselect/pubserv/87/87.pdf&quot;&gt;8,958 次请派口译员的申请没有得到满足&lt;/a&gt;。找得到口译员的地方，一天有一天的价钱。美国联邦法院付给持联邦认证的合同口译员&lt;a href=&quot;https://www.uscourts.gov/court-programs/federal-court-interpreters&quot;&gt;一整天 617 美元&lt;/a&gt;；而做同声传译时，译员&lt;a href=&quot;https://aiic.ch/faq/&quot;&gt;通常两人一组，每 20 到 30 分钟轮换一次&lt;/a&gt;，这是口译员的国际协会 AIIC 瑞士分会的说法。&lt;/p&gt;
&lt;p&gt;我们引用法院的数字，是因为法院有统计。以这样的错误率，法院恰恰是这个演示版最不该去的地方。我们心里想的那种需求，干系没有这么大，而且我们认为要常见得多。在 2021 年英格兰和威尔士的人口普查中，&lt;a href=&quot;https://www.ons.gov.uk/peoplepopulationandcommunity/culturalidentity/language/bulletins/languageenglandandwales/census2021&quot;&gt;有 880,000 名居民英语说得不好，161,000 名完全不会说&lt;/a&gt;，不论他们自己说的是哪种语言。他们当中有些人要在服务台前说明来意，或者坐在诊所的接待处，而那天并没有预约口译员。讲座、市民大会、导览参观、布道或者客服热线上也是这样：一个人讲，其他人得跟上，而本来就不会有人出钱请两名口译员搭档。这些是我们提出的设想。其中任何一处，都还没有部署任何东西。&lt;/p&gt;
&lt;p&gt;人能容忍多长的延迟，这个问题我们只能引用别人的说法。人在交谈时答得很快：在十种语言的日常交谈录音里，对是非问句的回答，在问句结束后&lt;a href=&quot;https://pmc.ncbi.nlm.nih.gov/articles/PMC2705608/&quot;&gt;平均 208 毫秒&lt;/a&gt;就开始了；而据一篇关于话轮转换研究的综述，回答之前如果出现 &lt;a href=&quot;https://www.frontiersin.org/journals/psychology/articles/10.3389/fpsyg.2015.00731/full&quot;&gt;600 毫秒或更长的停顿&lt;/a&gt;，听的人就会预感到答案不是自己想听的。至于翻译出来的语音，谷歌的 Meet 团队说过，早先把转写、翻译和语音合成依次串起来的做法，常常要晚 10 到 20 秒，又说&lt;a href=&quot;https://blog.google/products-and-platforms/products/workspace/google-meet-langauge-translation-ai/&quot;&gt;“两到三秒差不多是个最佳点”&lt;/a&gt;。这是该公司博客引述的一位产品经理的话，说的是语音，没有给出方法。我们没有研究过自己这个页面的读者，对延迟半秒时的理解效果，也不作任何断言。&lt;/p&gt;
&lt;h2 id=&quot;一套设计-两处运行&quot;&gt;一套设计，两处运行&lt;/h2&gt;
&lt;p&gt;页面负责采集麦克风的声音，并把文字画出来。页面和引擎文件都是普通文件，分发它们不需要运行任何程序。网络边缘上有一个很小的程序，负责回答页面的询问、放行会话，另有一个服务管着用量预算。引擎，也就是识别语音并加以翻译的那些神经网络模型，是唯一重的部分，它们可以在两处运行。&lt;/p&gt;
&lt;p&gt;一处是访客自己的设备。引擎只下载一次（英语到法语是 218 MB，其他语言对是 213 到 451 MB），在浏览器里运行。在这种模式下，音频根本不离开浏览器。这一点要紧，因为人的声音透露的不只是说出来的话：法国的数据保护机构 CNIL 列出了声音会透露的信息，其中有&lt;a href=&quot;https://www.cnil.fr/sites/cnil/files/atoms/files/cnil_white-paper-on_the_record.pdf&quot;&gt;年龄、性别、健康或情绪状态以及身份&lt;/a&gt;。真正传给我们服务的，是文字和数字，其中包括识别出的词和它们的译文。服务只在内存里处理这些内容，一概不保存。它留下的是一本已用时间的账，和关于它自身故障的记录；它的日志功能是关着的。这种模式要先下载，而且机器有多快，它才有多快。每台设备在下载大文件之前，先测一下自己的速度，要是跟不上，就会得到提示；跑不动引擎的旧款平板浏览器，则会被转到服务器。&lt;/p&gt;
&lt;p&gt;另一处是一个小容器，有 2 个处理器和 3.5 GiB 内存。音频以流的方式传给它，只存在于内存里。音频既不写入磁盘，也不记入日志。没有人用的时候容器会休眠，这个代价由休眠后的第一位访客来付：在线上站点，从休眠中启动，大约一秒打开连接，七秒后模型加载完毕。如果向访客承诺过麦克风的声音留在设备上，那么在任何音频发往服务器之前，页面都会先征求同意。&lt;/p&gt;
&lt;p&gt;正因为不用 GPU，服务器端才装得进这样大小的容器，设备端才装得进一个浏览器标签页。代价是，小到处理器就能跑的模型，听力也只是小模型的听力。&lt;/p&gt;
&lt;p&gt;页面还会报告它自己的表现。每一条实时文字消息都带着其中最新一个词说出的时刻，按页面自己的时钟计，所以页面显示的延迟就是这位用户实际经历的延迟，传输也算在内。还可能改动的文字颜色较浅，带点状下划线。要么早早把词显示出来，要么保证一个词都不收回，二者只能取其一。我们选择早显示，并标出每一处改动。&lt;/p&gt;
&lt;p&gt;整个公开演示版在设计上要始终不超出一个每月 5 美元的托管套餐，靠的是一份由服务强制执行的预算。访客的用量记在一个名字下面，这个名字是网络地址加盐后的摘要。某个份额用完时，页面会说明这一点，并告知什么时候值得再来。在我们看来，把访客挡回去，等到一个说定的时间再来，总比收到一张计划外的账单好。&lt;/p&gt;
&lt;h2 id=&quot;我们测了什么&quot;&gt;我们测了什么&lt;/h2&gt;
&lt;p&gt;表中的数字来自 FLEURS（一套公开的朗读句子录音）的测试集部分，这部分录音从未用于调参。英语到法语那一列只跑了一次，在 11 月 11 日。法语到英语那一列是 11 月 11 日至 14 日六次运行中的最后一次，那几天法语模型还在改动，其间词错误率在 13.3% 到 15.4% 之间，所以作为未参与调参的数字，它不如英语那一列干净。所有录音都是按说话的速度放进真实系统的，用的是那颗 2012 年的台式机处理器，引擎在同一台机器上，中间不经过网络。&lt;/p&gt;
&lt;div class=&quot;table&quot;&gt;&lt;table&gt;
&lt;thead&gt;&lt;tr&gt;&lt;th&gt;&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;英语到法语&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;法语到英语&lt;/th&gt;&lt;/tr&gt;&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;&lt;td&gt;录音条数&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;99&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;100&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;说出的一个词出现在屏幕上所需时间，平均值（第 95 百分位）&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;573 ms (715)&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;532 ms (683)&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;该词去掉临时标记所需时间，平均值（第 95 百分位）&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;836 ms (1126)&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;791 ms (1085)&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;译文覆盖到该词所需时间，平均值（第 95 百分位）&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;607 ms (755)&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;574 ms (740)&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;话音停止后完整译文出现在屏幕上所需时间，中位数（第 95 百分位）&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;470 ms (684)&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;410 ms (661)&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;最终文本的词错误率&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;14.10%&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;13.63%&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;最终译文的 BLEU 和 chrF&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;36.18 和 63.39&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;31.86 和 61.15&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;句子定稿时被替换的已定译文词&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;0.88%&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;0.33%&lt;/td&gt;&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;p&gt;第二行要和第三行一起读。“出现在屏幕上”包括仍标为临时的文字，第三行说的是这个标记什么时候消失。计算只占一小部分：在那颗处理器上，一步识别加一次翻译，合起来平均不到 0.1 s。这半秒里的大部分，是识别器在等：它要先听到一个词后面的内容，才能把这个词写出来。&lt;/p&gt;
&lt;p&gt;错误率和翻译质量的数字，说的都是最终定下来的文本，有修订的话，就是修订之后的文本。法语的修订平均在话音停止后 888 ms 到达（第 95 百分位为 1,571 ms），在那之前，大约每五个法语词里有一个是错的。在 115 条从未用于调参的阿拉伯语录音上，服务器上的最终文本词错误率为 6.9%。最后一行只统计句子定稿时发生的替换。一句话还没有定稿的时候，已定的译文词有 16% 到 20% 会变，页面会标出每一处改动。&lt;/p&gt;
&lt;p&gt;另有七个方向只在开发集录音上测过，也就是我们调参时用的那些录音，每个方向 19 到 60 条。在这些运行里，一个词说出后 539 到 612 ms 出现在屏幕上。加上 60 ms 的模拟网络往返，经由服务器的英语到法语数字是 669 ms（42 条开发集录音）。&lt;/p&gt;
&lt;p&gt;同一台机器上，设备模式要慢一些：用引擎的浏览器版构建代替设备，加上同样的模拟网络，20 个方向在 644 到 840 ms 之间（每个方向 17 到 20 条开发集录音）。英语的准确率，在浏览器里保持住了。在一台 PC、一个浏览器上做的一次验证中，对 60 条未参与调参的录音，英语识别器在标签页里的词错误率是 11.64%，原生运行是 11.48%（60 份转写中有 46 份完全相同）；翻译模型拿到同样的 60 句话，返回的就是服务器的译文。阿拉伯语则不同：在访客打开一个要再下载 174 MB 的选项之前，它在代替设备的环境里（每个方向 17 到 20 条开发集录音）的词错误率是 11.6% 到 13.1%，而服务器上是 5.9% 到 7.2%。&lt;/p&gt;
&lt;p&gt;我们没有测过即兴口语、噪声、重口音、两个人同时说话、手机、真实网络，也没有测过托管容器的速度。俄语、阿拉伯语和中文没有在未参与调参的录音上测得的延迟数字。译文没有请任何人评过分。&lt;/p&gt;
&lt;h2 id=&quot;业界在提供什么-收多少钱&quot;&gt;业界在提供什么，收多少钱&lt;/h2&gt;
&lt;p&gt;大厂商如今已在提供实时语音翻译，每一家支持的语言都比我们的五种多。Google Meet 在符合条件的套餐上&lt;a href=&quot;https://workspaceupdates.googleblog.com/2026/10/real-time-speech-translation-in-google-Meet-expands-to-63-languages-with-automatic-language-detection.html&quot;&gt;可以在 63 种语言的任意组合之间翻译语音&lt;/a&gt;，它的帮助页面说，译文&lt;a href=&quot;https://support.google.com/meet/answer/16221730?hl=en&amp;amp;co=GENIE.Platform%3DDesktop&quot;&gt;“会延迟几秒”&lt;/a&gt;。苹果的 AirPods“实时翻译”（Live Translation），&lt;a href=&quot;https://support.apple.com/en-us/123185&quot;&gt;全部处理都在 iPhone 上完成&lt;/a&gt;，需要 iPhone 15 Pro 或更新的机型，而&lt;a href=&quot;https://www.apple.com/ios/feature-availability/&quot;&gt;它的语言列表里既没有俄语，也没有阿拉伯语&lt;/a&gt;。微软 Teams 里的“语音同传”（Interpreter）则&lt;a href=&quot;https://support.microsoft.com/en-us/teams/copilot/interpreter-in-microsoft-teams-meetings-and-calls&quot;&gt;把会议音频发送到云端&lt;/a&gt;。苹果和微软的页面都没有给出以秒计的延迟。&lt;/p&gt;
&lt;p&gt;研究界公布得更多。IWSLT 的评测设有&lt;a href=&quot;https://iwslt.org/2026/simultaneous&quot;&gt;低延迟档 0 到 2 秒和高延迟档 2 到 4 秒&lt;/a&gt;，所用的指标不计入计算时间，并期望提交的系统在单块 80 GB 的 NVIDIA H100 GPU 上运行。它 2026 年的评测报告指出，在能够测量的地方，计算&lt;a href=&quot;https://aclanthology.org/2026.iwslt-1.39.pdf&quot;&gt;还要再加约 0.3 秒&lt;/a&gt;。这些都不是同等条件下的比较。那些系统是在别的材料上、用别的指标测的。我们不排座次。我们只主张一点：这个量级的延迟，并不需要 GPU。&lt;/p&gt;
&lt;p&gt;2026 年 11 月 17 日，微软 Azure 给实时语音翻译标出的价格是&lt;a href=&quot;https://azure.microsoft.com/en-us/pricing/details/cognitive-services/speech-services/&quot;&gt;每音频小时 2.50 美元&lt;/a&gt;。那是面向客户的价格，我们没有可以摆在它旁边的价格。我们有的是托管成本。按我们自己的模拟（不是来自真实流量），5 美元的套餐每月大约能承载 470 小时在访客设备上运行的会话，以及 10.3 小时在服务器上运行的会话。算出这些数字的时候，还没有任何人来访问过，我们也没有见过一张账单。设备这边的数字之所以大，是因为计算发生在访客的处理器上：一次设备会话给托管平台带来的开销，只是有人说话时每秒几条短消息，没人说话时一条也没有。&lt;/p&gt;
&lt;h2 id=&quot;客户怎样接入-它在哪里跑过&quot;&gt;客户怎样接入，它在哪里跑过&lt;/h2&gt;
&lt;p&gt;眼下，这个演示版是有意封闭的。页面不能嵌入别的网站，来自其他网站的调用会被拒绝。应要求，我们可以向客户提供页面底下的那条连接。那是一条流式连接，词汇表很短：音频帧往上传，事件往下发（就绪、实时文字、最终文字、修订后的文字）。客户的显示界面得像我们的页面那样处理这些事件：先把实时文字显示成还可能改动的文字，然后是最终文字，如果有修订到达，再显示修订。服务器端可以作为单个进程运行，也可以作为容器镜像运行，只要有处理器就行，别的都不需要。设备模式是为那些希望音频永远不离开用户机器的客户准备的。邀请链接自带分钟数，不计入公开配额。&lt;/p&gt;
&lt;p&gt;其余的部分要和客户一起做。我们把它们列为待做的工作，因为它们一样都还不存在：密钥和按客户计量，嵌入许可，对接客户的会议、电话或活动系统的连接器，更多语言，以及页面文字之外的输出形式。&lt;/p&gt;
&lt;p&gt;2026 年 11 月 11 日，我们做了第一批测量，当时整个产品是一台台式 PC 上的一个进程。一天后，同样的引擎在浏览器标签页里得到了验证，边缘版本也在本地跑了起来。到 11 月 13 日，全部 20 个方向都用引擎的浏览器版构建在那台 PC 上跑通，其中六个是在真实的浏览器标签页里跑的。11 月 15 日公开上线，用的是一个边缘平台加一个容器，当晚服务器上就有了全部五种语言。也就是说，11 月 11 日到 15 日之间，它先后以 PC 上的一个进程、浏览器标签页、边缘运行时和 Linux 容器这几种形态运行过。一台新服务器要提供的，是处理器，以及容得下一个进程或一个容器的空间。我们没有在别家云上运行的记录，也没有来自手机的数字。每次改动都要对照七条参考轨迹（5,496 个事件）检查，结果必须逐字节相同，此外还有 270 多项自动化测试。&lt;/p&gt;
&lt;h2 id=&quot;演示版现在还做不到的事&quot;&gt;演示版现在还做不到的事&lt;/h2&gt;
&lt;p&gt;Translator 是一个 MVP 演示版。在朗读的句子上，识别出的词大约每七个里有一个是错的；对即兴口语、噪声、口音和手机，我们没有数字，对真实网络上的延迟也没有。它是用一位说话人、一支麦克风测试的，多人同时说话的情况还处理不了。它有五种语言，有配额，没有定价。设备模式要先下载 213 到 451 MB，较旧的平板浏览器会退回到服务器。界面有全部五种语言的版本，但这些译文还没有请母语者读过。容量数字来自模拟。&lt;/p&gt;
&lt;p&gt;演示版在 &lt;a href=&quot;https://translate.albadr.ai&quot;&gt;translate.albadr.ai&lt;/a&gt;。说一句话，然后打开设置面板，看看页面为你测出的延迟。如果你那里有这样一个场合，一个人讲、其他人得跟上，或者有一个应该和它对接的系统，请写信到 contact@albadr.ai。&lt;/p&gt;</content>
</entry>
<entry>
<title>没人点开的那张工作表</title>
<link href="https://blog.albadr.ai/zh/the-tab-nobody-opened/"/>
<id>https://blog.albadr.ai/zh/the-tab-nobody-opened/</id>
<published>2026-11-17T08:00:00Z</published>
<updated>2026-11-17T08:00:00Z</updated>
<author><name>albadr.ai</name></author>
<summary>一份 Word、Excel、PowerPoint 或 PDF 文件里装的东西，比它显示出来的那一页要多。BADR 是我们为文件发出前的那一分钟做的 MVP 演示版；本文讲它是怎样构成的、我们测了什么，以及它目前还做不到什么。</summary>
<content type="html">&lt;p&gt;2025 年 2 月 3 日，加拿大边境服务局的一名主管把一份排班用的电子表格发给了 70 名员工。这份文件里还有&lt;a href=&quot;https://www.priv.gc.ca/en/opc-actions-and-decisions/investigations/investigations-into-federal-institutions/2025-26/pa_20260226_cbsa_01/#:~:text=secondary%20tab&quot;&gt;另一张工作表，上面是其他 18,000 多名员工的个人信息&lt;/a&gt;。随邮件发出去的是一整个工作簿，它比发件人眼前的那张工作表要大。该局后来查明，2024 年和 2025 年还发生过另外四起类似的电子表格事件。&lt;/p&gt;
&lt;p&gt;这样的事以前就有过。2023 年 8 月 8 日，北爱尔兰警察局用一份电子表格答复了一项信息公开申请。看得见的工作表都已删掉，却有一张没有显示出来，标签栏上只有三个小点标示着它的存在，而质量检查只看了用于答复的那一张。这张隐藏的工作表列出了&lt;a href=&quot;https://www.psni.police.uk/sites/default/files/2023-12/Protecting%20from%20Within%20a%20review%20of%20the%20PSNI%20data%20breach%208th%20August%202023.pdf&quot;&gt;全部 9,483 名警员和文职人员&lt;/a&gt;的姓氏、职级和工作地点，在一个公开网站上挂了将近两个半小时。该局后来&lt;a href=&quot;https://www.bbc.co.uk/news/articles/cg4q26vnrklo&quot;&gt;申请降低对它开出的 750,000 英镑罚款，未获成功&lt;/a&gt;。&lt;/p&gt;
&lt;p&gt;2014 年 2 月，澳大利亚的移民部门以 Word 文件的形式发布了一份统计报告，&lt;a href=&quot;https://www.oaic.gov.au/privacy/privacy-assessments-and-decisions/privacy-decisions/Investigation-inquiry-reports/department-of-immigration-and-border-protection-own-motion-investigation-report#:~:text=embedded%20the%20Microsoft%20Excel%20spreadsheet&quot;&gt;作为数据来源的 Excel 电子表格就嵌在这个文件里&lt;/a&gt;：约 9,250 名寻求庇护者的个人信息，在该部门的网站上挂了大约八天半。按该部门的规定，这样一份报告要由七名审核人放行，审的是纸质稿。至于电子文件里有没有嵌入数据，没有人检查。&lt;/p&gt;
&lt;p&gt;我们做 BADR，为的就是这类文件发出去之前的那一分钟。它目前是一个处于展示阶段的 MVP 演示版，还不是产品。收件人的软件能怎么读一份 Word、Excel、PowerPoint 或 PDF 文件，它就怎么读；读完列出这份文件会泄露什么，附上实际找到的值，再返回一份干净副本。在 &lt;a href=&quot;https://albadr.ai&quot;&gt;albadr.ai&lt;/a&gt; 上，扫描和干净副本都免费，一次一份文件，最大 10 MB。给文档里的标识符脱敏、可选的 AI 解读和 API，则需要密钥。它只读文字：图片和扫描页不读。&lt;/p&gt;
&lt;h2 id=&quot;办公软件只隐藏-不删除&quot;&gt;办公软件只隐藏，不删除&lt;/h2&gt;
&lt;p&gt;这几件事里的人，都是按软件设计的方式在用软件。隐藏一张工作表，删掉数据透视表所依据的那张工作表，把一张图表粘贴进幻灯片：这些操作没有一个会把内容从文件里拿掉。这件事，我们自己的报告是用各种文件格式自己的术语讲出来的。对一个带数据透视表的工作簿，报告写的是：“数据透视表的源数据有一份副本留在文件里，即使源工作表已被删除。”保存过多次的 PDF，报告里会有这样一行：“每次增量保存都是在文件末尾追加，并不擦除：文字、表单域或注释的早期版本仍然可读。”带图表的演示文稿，报告写的则是：“图表背后的整个 Excel 工作簿会跟着演示文稿一起走，其他工作表也在内。”&lt;/p&gt;
&lt;p&gt;对写指南的人来说，这些都不是什么新鲜事。美国国家安全局（NSA）的指南&lt;a href=&quot;https://fas.org/publication/nsa_redacting_with_confidence/&quot;&gt;《有把握地删除敏感内容》（Redacting with Confidence）&lt;/a&gt;首次发布于 2005 年 12 月，其中写道：“&lt;a href=&quot;https://ftp.mirrorservice.org/sites/ftp.wiretapped.net/pub/security/info/papers/operating-sys/nsa-guides/other/how-to-publish-sanitized-reports-converted-from-msword-to-pdf.pdf&quot;&gt;最常见的错误是用黑色盖住文字&lt;/a&gt;”；对任何不能让人读到的内容，它的说法是：“该项内容必须删除。”加拿大联邦隐私专员公署有一份日期为 2006 年、现已归档的情况说明，列举了随共享文档一同传出去的内容，其中有&lt;a href=&quot;https://www.priv.gc.ca/en/privacy-topics/technology/02_05_d_30/#:~:text=Track%20Changes&quot;&gt;修订痕迹、批注、当前作者和以往作者的姓名、历次修改、版本以及隐藏文字&lt;/a&gt;。微软自己的支持页面写明，它的“文档检查器”&lt;a href=&quot;https://support.microsoft.com/en-us/office/remove-hidden-data-and-personal-information-by-inspecting-documents-presentations-or-workbooks-356b7b5d-77af-44fe-a07f-9aa4d085966f&quot;&gt;检测不出白底白字这样的隐藏文字&lt;/a&gt;；在 Excel 里，对嵌入的文件、宏和数据透视表的缓存数据，它能报告，却无法删除。这个页面讲的是一种手动检查，查的只是当前打开的那一份文件。&lt;/p&gt;
&lt;p&gt;光是知道还不够。法国国家信息与自动化研究所（Inria）的研究人员检查了 &lt;a href=&quot;https://arxiv.org/abs/2103.02707&quot;&gt;47 个国家 75 家安全机构发布的 39,664 份 PDF 文件&lt;/a&gt;，其中 33% 暴露了文件创建者的身份。在所有这些文件中，24% 在发布前做过清理，而清理过的文件里，又有 65% 清理得不到位：隐藏信息仍然可以恢复出来。这项研究从 NSA 自己的网站上取了 82 份 PDF，其中 45 份仍带着完整的元数据。&lt;/p&gt;
&lt;p&gt;魁北克省的 Commission d’accès à l’information（信息获取委员会）在 &lt;a href=&quot;https://www.cai.gouv.qc.ca/uploads/pdfs/CAI_RAAG_2023-2024.pdf&quot;&gt;2023-2024 年度收到 444 份事件通报&lt;/a&gt;，其中 58 份所列的原因包括意外披露。根据经《第 25 号法》修订的该省私营部门隐私法，法院可以&lt;a href=&quot;https://www.cai.gouv.qc.ca/protection-renseignements-personnels/information-entreprises-privees/sanctions-entreprises-poursuites#:~:text=Montant%20des%20amendes&quot;&gt;对企业处以最高 2500 万加元或其全球营业额 4% 的罚款&lt;/a&gt;，以较高者为准。&lt;/p&gt;
&lt;p&gt;如今，文件还会交到 AI 助手手里。一家安全厂商的监测数据取自它自己的客户，因此不是随机样本；按这份数据，2025 年 7 月至 9 月间&lt;a href=&quot;https://www.harmonic.security/resources/genai-in-the-enterprise-its-getting-personal#:~:text=26.38%25&quot;&gt;上传到生成式 AI 工具的文件有 26.38%&lt;/a&gt; 含有敏感信息，高于上一季度的 22%。有些案例已有公开记录。在新南威尔士州，一名前临时工作人员于 2025 年 3 月&lt;a href=&quot;https://www.nsw.gov.au/departments-and-agencies/nsw-reconstruction-authority/northern-region/northern-rivers/resilient-homes-program-data-breach#:~:text=10%20columns%20and%20more%20than%2012%2C000%20rows&quot;&gt;把一份 10 列、12,000 多行的 Excel 电子表格上传到了 ChatGPT&lt;/a&gt;，暴露了一项洪灾恢复住房计划中 2,031 人的个人信息。&lt;/p&gt;
&lt;h2 id=&quot;badr-做什么&quot;&gt;BADR 做什么&lt;/h2&gt;
&lt;p&gt;把一份文件拖到页面上，就会返回一份报告：先是一行带风险等级的结论，然后是这份文件会泄露的内容，按类别分组，按风险排序。每个清理选项都是一个开关，点一下就返回干净副本。网站自带的示例是一份虚构的 Word 报价书，它的结论开头是：“此文件会泄露 27 项内容，其中 10 项为高风险”。&lt;/p&gt;
&lt;p&gt;它会去看那些没有人会手动打开的地方：保存在文件里的网络打印机名称；把文件路径打印出来的页眉；带着服务器、账号、有时还带着密码的数据连接；图表背后的工作簿；编辑过的 PDF 里仍然留着的早期版本；还有在页面上哪儿都看不到的标识符，因为它只存在于某个公式或某个链接的地址里。它能识别 11 种标识符，其中有社会保险号、魁北克医疗保险号、支付卡号和 IBAN。&lt;/p&gt;
&lt;h2 id=&quot;它是怎样构成的&quot;&gt;它是怎样构成的&lt;/h2&gt;
&lt;p&gt;下面是它的几项特性，每一项都有代价。页面只是界面。引擎运行在我们的服务器上，从不下发到浏览器；浏览器收到的是约 100 KB 的脚本（压缩后 36 KB），这段脚本只向自己所在的源发请求，别的一概不连：没有跟踪，没有广告，没有统计分析。代价是文档必须传到我们这里，走的是加密连接。&lt;/p&gt;
&lt;p&gt;所以，文件只在内存里读，从不留存。两次请求之间，服务器不保留文档的任何内容；你要干净副本时，页面会把文档再发一遍。日志里记的是计数和大小（文件类型、文件大小、发现了多少项、花了多长时间），没有文件名、内容或地址。文件由收到它的那个数据中心处理，一般是最近的一个，它可能不在魁北克，也可能不在加拿大。代价是：凡是需要记住你的文档才能实现的功能，都做不了。换来的是：不存在一个需要保护或需要交出去的文档库。&lt;/p&gt;
&lt;p&gt;引擎是自包含的。读取或清理的时候，它不调用自身以外的任何东西，连 AI 服务也不调用；文件里的任何东西它都不执行，不管是宏、脚本、域还是公式。同一份文件总是得到同一份报告，只有写着扫描耗时的那一行除外。代价是检测靠模式匹配，可能漏掉一些，也可能多报，所以每一项发现都标明位置，交给人来判断。如果 Office 文件里有哪个部分读不出来，报告会写明这一点，结论绝不会是“未发现问题”，也不会生成干净副本。&lt;/p&gt;
&lt;p&gt;这一切都在 128 MB 的内存上限内运行，这是边缘平台上一个小型沙箱的配额。托管演示版的各项限制就是按这个沙箱定的：每份文档 10 MB，每次请求 20 份文档、25 MB。每次请求承担的工作量也有上限。装不下的文档会连同原因列在响应里，由客户端放进更小的一批重新发送。&lt;/p&gt;
&lt;p&gt;干净副本里留下的，是你选择保留的内容。已删除的文字、早期版本，以及历次编辑遗留的内容，都不在里面。脱敏是把字符本身去掉，而黑框只是盖在字符上面；脱敏后的副本还会再读一遍，好让报告统计出没能脱敏的内容。隐藏的工作表、行和列不是删除，而是显示出来，这样你就能看到收件人本来可能发现的东西。&lt;/p&gt;
&lt;h2 id=&quot;我们测了什么&quot;&gt;我们测了什么&lt;/h2&gt;
&lt;p&gt;第一张表只给扫描计时，也就是引擎读一份文件并写出报告的时间，跑在一颗 2012 年的台式机处理器（Intel Core i7-3770）上。每个数值都是预热之后 3 次运行的中位数；扫描加干净副本合计超过 20 s 的文件例外，只计时一次。文件都是合成的：按真实大小生成，所用文本像正常行文那样有变化。“带照片”指文本占 10%，图片用随机字节代替。&lt;/p&gt;
&lt;div class=&quot;table&quot;&gt;&lt;table&gt;
&lt;thead&gt;&lt;tr&gt;&lt;th&gt;扫描，仅引擎&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;0.25 MB&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;1 MB&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;5 MB&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;10 MB&lt;/th&gt;&lt;/tr&gt;&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;&lt;td&gt;Word，纯文本&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;107 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;573 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;3.5 s&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;未测量&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;Excel&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;109 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;610 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;4.5 s&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;未测量&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;PDF，纯文本&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;106 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;318 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;405 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;540 ms&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;Word，带照片&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;12 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;44 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;214 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;435 ms&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;PowerPoint，带照片&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;12 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;36 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;187 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;410 ms&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;PDF，带照片&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;3 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;7 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;31 ms&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;60 ms&lt;/td&gt;&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;p&gt;1 MB 以内，每种文件的读取时间都不超过 0.61 s。到 25 MB，以照片为主的 Word 或 PowerPoint 文件需要 1.3 s，PDF 需要 148 ms。读这张表，有三点要留意。文本很容易压缩，所以纯文本 Office 文件的内容密度比文件大小显示的要高：解压之后，1 MB 的 Word 文件里约有 7.8 MB 的文本和标记，1 MB 的 Excel 文件约有 5.5 MB，而托管演示版会拒绝文本和标记超过 5 MB 的 Office 文档。从 1 MB 往上，这两行是引擎的速度，而不是演示版会替你做的事。25 MB 的那些数字也一样，因为演示版到 10 MB 为止。另外，纯文本 PDF 那一行在 1 MB 之后变平，是因为对长 PDF，扫描最多只读前 400 页的文本，并在报告里写明这一点。&lt;/p&gt;
&lt;p&gt;干净副本的开销比扫描大。所有选项全开、标识符全部脱敏时，以文本为主的 1 MB 文件用了 2.4 到 4.1 s，一份 5 MB 的电子表格用了 81 s。这些同样是引擎的数字，所用文件的内容密度超出了演示版接受的范围。以照片为主的 1 MB 文件用了 0.03 到 0.21 s。&lt;/p&gt;
&lt;p&gt;第二张表是经由 API 的最坏情况：所有选项全开，标识符脱敏，返回一个 ZIP。每个场景先在取消大小限制的情况下跑一次，再在 128 MB 的内存上限下跑一次；这个上限设在一个服务器进程上，用来代替边缘沙箱。&lt;/p&gt;
&lt;div class=&quot;table&quot;&gt;&lt;table&gt;
&lt;thead&gt;&lt;tr&gt;&lt;th&gt;最坏情况，每项各跑一次&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;耗时&lt;/th&gt;&lt;th class=&quot;to-end&quot;&gt;128 MB 上限下&lt;/th&gt;&lt;/tr&gt;&lt;/thead&gt;
&lt;tbody&gt;
&lt;tr&gt;&lt;td&gt;一份 1 MB 的 Word、PowerPoint 或 PDF 文档&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;0.05 到 0.14 s&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;未超限&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;一份 15 MB 的 PDF&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;0.8 s&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;未超限，接近上限&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;20 份 1 MB 的文档，类型混合&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;5.2 s&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;6.0 s&lt;/td&gt;&lt;/tr&gt;
&lt;tr&gt;&lt;td&gt;40 份 1 MB 的文档，类型混合&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;10.3 s&lt;/td&gt;&lt;td class=&quot;to-end&quot;&gt;11.8 s&lt;/td&gt;&lt;/tr&gt;
&lt;/tbody&gt;
&lt;/table&gt;&lt;/div&gt;
&lt;p&gt;这些数字并没有把一切都算进去。它们计的是引擎的时间，而你实际等待的时间里，还有文件上传和响应传回的那两段。没有一项是在边缘平台自己的处理器上测的，所有文件也都是合成的。而且这里没有任何一项是衡量准确性的：我们还没有可以公布的精确率或召回率数字。网页版带有 189 项自动化测试，它们能表明引擎做到了我们规定的事，却无法表明我们规定的事能把一切都查出来。&lt;/p&gt;
&lt;h2 id=&quot;我们为什么称它为-ai-解决方案&quot;&gt;我们为什么称它为 AI 解决方案&lt;/h2&gt;
&lt;p&gt;BADR 里有两种 AI，我们把两者分开。&lt;/p&gt;
&lt;p&gt;引擎属于较老的那一种，也就是把知识写成规则；它是用数据科学的方法构建的。它的每一步都有一个平常的名字：在连续的文本里找出一个社会保险号，叫实体识别；用校验位确认这个号码，叫校验；不只读文件的文字，还读它的结构，叫结构分析；给找到的内容排出等级，叫基于规则的分类。这些都不是我们的发明。美国国家标准与技术研究院（NIST）关于去标识化的报告在综述病历方面的工作时，把&lt;a href=&quot;https://nvlpubs.nist.gov/nistpubs/ir/2015/NIST.IR.8053.pdf&quot;&gt;基于规则的系统列为人们探索过的两种主要技术之一&lt;/a&gt;，用来在自由文本中查找标识符。引擎里没有任何机器学习或统计的成分，这是有意为之：每一项发现都能追溯到一条由人写下的规则，引擎也不从你的文件里学习任何东西。正因为如此，我们网站的常见问题才可以说：没有 AI 读你的文档。按 2026 年大多数人所说的那个意思，即由语言模型来读文件，确实没有。&lt;/p&gt;
&lt;p&gt;较老的那一种还算不算 AI，要看问的是谁。斯坦福大学的“人工智能百年研究”（One Hundred Year Study on Artificial Intelligence）把这种现象称为&lt;a href=&quot;https://ai100.stanford.edu/2016-report/section-i-what-artificial-intelligence/defining-ai#:~:text=odd%20paradox&quot;&gt;“AI 效应”&lt;/a&gt;：AI 让一项技术进入日常使用，人们习以为常之后，就不再把它当作 AI。官方文本各自把界线划在不同的地方。&lt;a href=&quot;https://eur-lex.europa.eu/legal-content/EN/TXT/HTML/?uri=OJ:L_202401689&quot;&gt;欧盟《人工智能法》&lt;/a&gt;序言第 12 段把基于逻辑和基于知识的方法算作 AI 技术，又在同一段里说，这个定义“不应涵盖基于完全由自然人定义的规则来自动执行操作的系统”。加拿大联邦的&lt;a href=&quot;https://www.tbs-sct.canada.ca/pol/doc-eng.aspx?id=32592#:~:text=rules%2Dbased%20systems&quot;&gt;《自动化决策指令》&lt;/a&gt;管的是联邦政府内的行政决策，它绕开了这个问题：按它的定义，自动化决策系统包括任何协助或取代人类决策者判断的技术，并把基于规则的系统与机器学习、神经网络一并点了名。至于监管机构会把我们的引擎归入哪一类，我们不作任何断言。&lt;/p&gt;
&lt;p&gt;第二种，就是如今大多数人说“AI”时指的那一种：语言模型。它是可选的。持有密钥的用户点一下，就发起一次调用，由它用几句平实的话解释各项发现。它只写文字，风险等级仍然由引擎给出。它收到的是各项发现，从来不是文件，而且这些发现事先已经用常规的数据科学手段作了去标识化处理：数据最小化、假名化（用替代值换掉检测到的标识符以及文件作者和编辑者的姓名，真实值只在你的浏览器里换回来）、泛化和截断。我们不把这叫作匿名化，因为我们的隐私页面写明，一段摘录“仍可能包含另一个人的姓名、一笔金额或文档里的一句话”。在我们的托管演示版上，这次调用发往一家外部的 AI 服务提供商。如果是客户自己的部署，模型可以由客户自己选，包括在客户自己的机器上运行的模型。不用它，标准报告也是完整的。&lt;/p&gt;
&lt;h2 id=&quot;它用在哪里-客户怎样接入&quot;&gt;它用在哪里，客户怎样接入&lt;/h2&gt;
&lt;p&gt;凡是文档要越过一条边界的地方，这一步都是一样的：律师事务所发出一份合同，而合同的修订痕迹里还留着它删掉的文字；公共机构用一份电子表格答复信息公开申请；有人正要把一份报告上传给 AI 助手；一条流水线在发布或归档文档，而这些文档没有人逐份去读。&lt;/p&gt;
&lt;p&gt;集成就是一次 HTTPS 调用，用 multipart 方式上传，用任何语言都可以发起，也可以由工作流工具的 HTTP 步骤发起。一次调用最多带 20 份文档。只传一份，返回的就是清理后的文件。传多份，返回的是一个 ZIP，里面有一份清单，逐份写明应用了哪些选项、删掉了什么，供客户记入自己的日志。处理失败的文档会列在清单里，其余文档照常返回；因超限而拒绝时，会说明测得的数值、限制是多少，以及为什么要有这项限制。&lt;/p&gt;
&lt;p&gt;我们不提供任何连接器。这次调用可以放在你的文档本来就要经过的地方：邮件网关的外发环节，文档管理系统的发布环节，一个监视共享文件夹的脚本，或者上传给 AI 助手之前的那一步。API 现在由我们托管。在客户自己的云账号里或自己的服务器上运行，可以应要求提供，只是还没有打包好。&lt;/p&gt;
&lt;h2 id=&quot;把它搬到另一种宿主环境&quot;&gt;把它搬到另一种宿主环境&lt;/h2&gt;
&lt;p&gt;各项限制是设置，不是代码：换到更大的宿主上，文档数量、文档大小和工作量上限都可以通过配置调高。引擎现在已经在两种宿主上运行：生产环境用的是边缘沙箱，开发环境和上文的每一项测试用的是普通的服务器进程。&lt;/p&gt;
&lt;p&gt;整个引擎还有第二份，是为第二个运行时重写的，做成了原生 Windows 应用，完全不需要服务器：没有任何文件离开本机。它没有发布。有第一个引擎可以对照，第二个只用了一天，就是 2026 年 11 月 7 日。一个由 48 份文档组成的语料库用五种模式在两个引擎上都跑了一遍：每一次扫描的结果都完全相同，每一份干净副本都等价。找到的唯一差别是几个字节，出在一条写明嵌入压缩包大小的发现里。这个应用的安装包是 2.1 MB。&lt;/p&gt;
&lt;h2 id=&quot;演示版现在还做不到的事&quot;&gt;演示版现在还做不到的事&lt;/h2&gt;
&lt;p&gt;BADR 是一个演示版，下面是它目前的局限。它只读文字：图片里或扫描页里的文字，既不检查，也不脱敏。对长 PDF，最多只读前 400 页的文本，报告会写明这一点。不支持 Word、Excel 和 PowerPoint 97-2003 格式的文件。标识符的识别是按加拿大和魁北克的情况调校的。检测靠模式匹配，所以一个看上去有效、其实不是标识符的号码可能被标出来，而一个格式不对的标识符可能被漏掉。文件最大 10 MB，Office 文档解压后的文本和标记最多 5 MB。加密的 PDF 只分析结构，不生成干净副本。它没有经过外部安全审计，也不附带任何服务等级承诺。每一份干净副本，发出之前都请检查一遍；在无人值守的环节里，这项检查就是由一个人或一条规则去读清单。&lt;/p&gt;
&lt;p&gt;扫描在 &lt;a href=&quot;https://albadr.ai&quot;&gt;albadr.ai&lt;/a&gt; 上是免费的。没有公布价格。如需密钥，或者想谈在自己的系统里运行 BADR，或者想按现状收购它，请写信到 contact@albadr.ai。&lt;/p&gt;</content>
</entry>
</feed>
