本文解决了组织在扫描文档敏感信息时面临的实际问题：云服务需要将数据发送到外部基础设施，而基于规则的检测工具往往漏掉依赖上下文的威胁。为此，作者提出了TorchSight——一个基于微调本地大语言模型（Qwen 3.5 27B）的开源安全文档分类系统。该系统在78,358个样本上训练，样本来自13个许可开放的源和GPT-4合成数据，覆盖7个安全类别和51个子类别。主要评估在1,000份文档上达到95.0%的类别级准确率（95%置信区间：93.5-96.2），而对比的商业模型在相同提示词协议下仅达到75.4-79.9%。在独立的500份保留样本集上，模型达到93.8%准确率，表明性能可推广。结果表明，微调的本地模型能够在保持文档处理本地控制的同时，支持准确的安全文档分类。