该论文提出 ReCAST（Restoration-aware Cascaded Stage-wise Training）框架，用于解决中文短信中混淆文本的风险分类问题。研究背景是：欺诈短信通过精心设计的混淆策略（如谐音、形近字、插入符号等）隐藏风险关键词，同时保持人类可读性，导致传统的直接分类模型在生产环境的延迟和吞吐约束下性能脆弱。核心问题是：如何在保持小模型可部署性的前提下，提升对混淆短信的鲁棒识别能力。方法上，ReCAST 采用知识蒸馏与级联阶段训练：首先让大型教师模型学习去混淆任务，包括混淆片段检测、混淆类型预测和文本恢复；然后将这些能力蒸馏到较小的学生模型中，使学生模型具备恢复感知能力，并基于恢复后的语义进行风险分类。实验基于内部构建的真实中文短信基准，结果显示 ReCAST 在混淆场景下显著优于直接训练的基线模型，表明恢复感知蒸馏为生产环境下的短信风险分类提供了一条实用路径。该工作的贡献包括：提出了针对中文短信混淆的细粒度监督任务组合，设计了多阶段蒸馏训练流程，并在真实数据上验证了有效性。适合阅读的人群包括短信安全风控工程师、NLP安全研究人员以及关注模型轻量化部署的 AI 安全从业者。由于目前仅基于摘要，未获取全文实验细节，所有结论局限于摘要所述内容。