Argo：企业电子邮件系统的高效重要性标签

电子邮件重要性标签长期以来一直是企业和个人面临的一个关键但具有挑战性的问题。传统方法；例如关键字匹配、用户定义的规则和基于发件人的启发法；需要大量的手动特征工程，并且无法有效扩展或泛化。 大语言模型 (LLM) 的最新进展展示了强大的潜力和自然适合这项任务，提供深入的上下文理解和卓越的标签质量。然而，在企业电子邮件量中使用 GPT-4.1 等 LLM 模型会产生过高的计算成本并阻碍实际部署。我们探索使用替代标记方案而不是 GPT4.1 规模 LLM 的权衡空间，目标是以显着降低的成本实现接近 GPT 水平的标记质量。我们开发了 Argo，一个企业电子邮件标签框架，我们在其中构建了一个分析器，以有效搜索标签的成本质量权衡空间，并确定标签电子邮件的经济高效的替代方案。此外，我们设计了一种按需配置方案，可以通过实时负载智能扩展 Argo，从而最大限度地减少峰值负载推断期间的成本增加。 Argo 在超过 3 个开源电子邮件数据集上实现了 148-167 倍的推理成本降低，且质量下降可以忽略不计，并且将分析成本降低了 20-640000 倍，使大规模、上下文感知的电子邮件标签对企业来说变得实用。