大型预训练语言模型会从网络数据中习得毒性内容与偏见，需加强安全控制。文章讨论毒性的定义与分类（如OLID三级体系），介绍人工标注、众包和半监督的数据构建方法，并总结毒性检测技术（对抗攻击、Perspective API、自诊断）与去毒技术（黑名单、自去偏、文本风格迁移、可控生成）及系统级安全方案。