随着数字出版产业步入高质量转型深水区，内容生产效率提升与质量管控升级已成为全行业的核心诉求。政策层面“人工智能+出版”的持续推进，叠加市场端内容产能的快速扩张，正推动AI技术从边缘辅助环节向编校核心流程渗透。但与此同时，通用型AI工具已难以满足出版领域的专业化审校需求，技术与场景的深度耦合以及垂直大模型的落地深耕，正在成为下一阶段的发展主线。
在这一趋势下，蜜度科技股份有限公司（以下简称：蜜度）携全新升级的文修大模型V5.0与校对通智能体2.0亮相本届中国国际数字出版博览会，首次面向出版行业专场展示升级后的全链路审校能力，引发业内广泛关注。依托自研AI审校产品矩阵，蜜度已累计服务超万家出版、媒体及相关单位，在出版、政务、媒体等多个领域积累了深厚的行业实践。展会期间，信息化观察网对蜜度研发副总裁张晓娟进行深度专访，围绕AI审校的场景适配与行业落地展开交流。
蜜度研发副总裁/张晓娟
信息化观察网：蜜度为何选择这个时间点加码智能审校？
张晓娟：智能审校一直是蜜度深耕垂直大模型应用的核心业务领域之一。这次我们携升级产品亮相第十六届中国国际数字出版博览会，核心是基于我们对出版业智能化发展的几个较为直接的观察。
一是当前出版行业审校承压态势有所加剧。教材出版存在明显的季节性特征，春秋开学节点对应的书稿审校窗口期高度集中。而多数出版社编校人力资源配置相对固定，短期内海量审校任务集中释放，人力供给与高峰期业务需求之间的矛盾逐步显现。
二是知识性差错的防控风险不断抬升。跨学科、跨章节的术语统一、人名地名译名规范、引用数据的一致性核查这类工作的难度持续增加，单纯依赖人工逐条对照核查，不仅效率偏低，也很容易出现疏漏。
三是国家层面正推动“人工智能+出版”的深化发展。从政策导向到全行业的发展共识，都已经走到了技术落地提速的关键节点。
今年7月在WAIC上，我们发布了文修智能校对大模型V5.0，也同步发布了校对通编校审核智能体。这次在第十六届国际数字出版博览会上，也是该模型和智能体首次在出版行业专场展示，面向的是行业真实的需求。当审校工作流逐步由“人力密集”走向“人机协同”的时候，垂直大模型的行业价值将在出版场景中得到更为充分的释放。
信息化观察网：出版行业对内容质量的要求极高，编校环节有严格的行业规范和标准。蜜度在将AI审校能力适配出版行业的过程中，遇到了哪些特有的挑战？是如何解决的？
张晓娟：出版行业的编校场景，和政务、媒体等其他领域存在很大差异。站在研发的角度来看，适配过程中最大难点在于“专业性”。出版社都有自己的一套术语体系、体例规范、审校标准，这些是通用大模型难以全面覆盖的。
举几个实际业务中的例子。第一是跨章节一致性。一本学术专著往往有几十万字的体量，全书术语是否统一、人名地名译名是否一致、数据前后是否对照，过去只能靠人工逐章翻阅比对，不仅耗时很长，也很容易出现遗漏。第二是知识性差错。比如教辅材料里的物理公式推导有误、历史事件时间写错，或是题目答案和解析逻辑矛盾，这些都不属于常规的错别字范畴，而是内容本身的错误，传统校对工具可能检测不到。
针对这些行业特有的痛点，我们的解决思路是“垂直大模型+专业知识库”的组合。文修本身是面向中文审校场景的垂直大模型，在这个底座之上，我们又做了针对教辅场景的专项优化，比如能识别2大类型13小类差错，覆盖题目差错和解答差错。同时出版社可以把自己的术语表、体例规范、参考文献清单、历史案例这些素材上传到专属知识库，模型在审校时会自动调用这些规则，让审校结果更贴合出版社的自有标准。
这个过程中，数据飞轮也发挥了关键作用。来自真实出版业务的一线反馈持续注入模型，让模型从懂“词”逐步走向懂“出版行业规范”。在每一次校对中，模型都在积累行业经验，最终形成“越用越聪明”的正向循环。
信息化观察网：校对通这次新增了Chat模式，提出“一句话跑通审校全流程”。从传统校对工具到智能体，这个转变对编辑的日常工作流程意味着什么？
张晓娟：传统的校对工具，全程都需要人工来驱动：编辑要依次完成上传文件、选择校对类型、逐处查看结果、手动整理报告，每一个环节都离不开人工操作。
而校对通智能体2.0的Chat模式，把“工具”变成了“助手”。编辑只需要下达一句自然语言指令，比如“帮我校对这份稿件”，智能体就会自主规划任务、调用工具、生成结果，最终端到端输出一份完整审校报告。在批量处理场景下，它单次可以支持10份文稿并行校对，过去需要数小时才能完成的工作量，现在分钟级就能出结果。
在这个转变里，有一个关键设计是专业与通用任务隔离。专业编校和基础文本处理走两条完全不同的路径。当指令涉及编校审核类需求时，系统会自动调用完整的复核机制，基于丰富的权威可信信源完成交叉核验，这些信源涵盖政策文件、法律法规等；如果是非编校类的文本分析需求，比如文件整理、表格分析，系统就只做基础处理，不会触发复核流程。这个设计很关键，避免了机制误用和信息干扰，既能保障专业审校的严谨性，也能兼顾普通任务的处理效率。
同时对于出版业来说，“可追溯”也十分重要。我们的复核结果都附带具体的信源出处和对应的原文段落，编辑可以独立核查每一处判断依据。出版内容必须准确、可溯源，AI给出的修改建议绝不能是“黑箱”。
我们希望通过这样的产品升级，能够帮助编辑把那些机械性、重复性的工作交给AI来承担，自己能将更多精力投入到核心专业判断上。
信息化观察网：我们注意到蜜度这次特别强调了教辅审校能力和出版行业知识库，这是出于什么考虑？“通用”和“专业定制”之间如何平衡？
张晓娟：这其实对应蜜度一直以来“深耕场景”的思路。通用大模型有“广度”，蜜度有“深度”。
教辅审校就是典型的深度场景。教辅材料的审校和普通文本校对不同，要核查的不仅是基础文字差错，还包括题目表述缺陷、知识性和科学错误、图文不呼应、逻辑矛盾等题面类错误，再加上数学运算、公式推导、答案结果、解析逻辑等解答类错误，总共涵盖2大类13小类差错。文修V5.0就专门针对教辅这个细分场景做了训练优化。
但光有模型还不够，要做到真正“懂行”，离不开专属知识库的支撑。每家出版机构都有自己的术语表和参考知识文档，这些是通用模型学不到，但又是审校必不可少的判断依据。因此我们支持出版社将这些自有素材上传到自己的知识库中，模型在审校过程中会自动调用这些专属规则与知识，实现真正“懂行”的专业辅助。
AI审校很难靠“一个模型打天下”，而“垂直大模型+专业知识库”的组合，是平衡通用能力与专业定制的可靠路径——垂直大模型提供专业审校能力，专属知识库则补足不同出版机构的个性化行业深度需求。这也是蜜度坚持深耕垂直大模型，而非走通用大模型路线的原因之一。
信息化观察网：相比V4.0或通用大模型，文修V5.0在“教辅场景专项校对”和“行业知识库”上做了哪些针对性的优化？它如何理解并纠正那些“由于专业术语误用”导致的深层次错误，而不仅仅是查错别字？
张晓娟：文修V5.0的核心升级集中在三点：一是参数量级跨越7B-30B，复杂语义理解与专项推理能力显著提升；二是新增教辅场景专项校对能力，针对学科知识图谱、答案一致性等做了定向优化；三是支持企业构建用户自有知识库体系，将专业判断标准从模型层下沉到客户专属知识库。
从效果数据看，整体差错检出率提升10%、知识类差错检出率提升25.3%、整体差错误报率下降8.67%。依托更强的语义理解能力，叠加专属知识库的术语规范对照，模型就能跳出单纯查找错别字的表层校验，精准识别专业术语误用这类深层次差错。
