一、文章主要内容总结本文聚焦于利用大型语言模型（LLMs）实现个人身份信息（PII）脱敏的研究，旨在解决传统脱敏方法（如基于规则的系统、领域特定命名实体识别（NER）模型）泛化能力差、跨格式/跨语境适应性弱的问题。研究通过全面评估多种LLM架构（包括密集型LLM（D-LLM）、小型语言模型（SLM）、混合专家模型（MoE）、长文本模型（LRM）、结构化状态模型（SSM）等）和训练策略（全微调、指令微调、检索增强生成（RAG）等），从脱敏性能（准确率）、语义保留度、PII泄露风险（SPriV评分）、延迟及计算成本等维度进行分析。结果表明，指令微调的模型（如DeepSeek-Q1、Llama3.1-8B）在脱敏准确率和隐私保护上表现最优，且小型模型（如DeepSeek-Q1）可在较低计算成本下实现高性能。基于此，研究发布了开源工具套件PRvL，该套件基于开源LLM构建，支持多推理场景，可在自管理环境中部署，无需依赖第三方服务。二、创新点全面的评估框架：首次系统评估了6类LLM架构（D-LLM、SLM、MoE、LRM、SSM及NER基线）和3种训练策略（微调、指令微调、RAG）在PII脱敏中的表现，覆盖脱敏准确率、语义保留、隐私泄露、效率等多维度。开源工具PRvL：发布了首个基于开源LLM的PII脱敏工具套件，包含微调模型和评估工具，支持领域定制和安全自托管部署，解决了商业工具闭源、数据暴露风险等问题。跨维度权衡分析：深入分析了模型架构、训练策略在性能（准确率）