则更倾向引入第三方风控科技平台的大模型能力，通过指令微调与场景适配等方式提升自身的信贷风控效率。

　　近日，21世纪经济报道联合腾讯安全在长沙举行商业银行高层闭门系列研讨会，邀请众多中小银行分享自身在大模型风控应用的最新进展与具体挑战。

　　一位城商行IT部门负责人向记者指出，一直以来，中小银行在风控建模方面普遍存在样本量小、风控模型迭代周期偏慢、风控建模人才不足等问题，大模型技术可以在这些方面显著解决中小银行的风控短板。

　　他也直言，中小银行试水大模型技术的风控应用，仍存在数据少、数据精度不足、数据不出行、如何平衡大模型风控与银行自主风控的关系、大模型风的解释性较低、多模型数据入参难等挑战。

　　记者多方了解到，由于资源投入有限，多数中小银行对大模型参数的诉求，不是一味求大，而是更考虑“使用性价比”——选择更契合自身业务场景风控需求的外部大模型产品。

　　腾讯安全金融风控总经理陈波向记者透露，如今越来越多金融机构都在考虑引入金融大模型产品，一方面能加快自身风险模型迭代步伐，更好地应对外部环境所带来的业务风控挑战，另一方面则致力于解决小样本量风控建模所带来的各种短板。

　　“尤其在当前经济环境下，部分金融机构面临新增零售信贷业务风控难与存量零售风控业务风险上升的双重挑战，都对自身风控提出越来越高的要求。但以往，金融机构会通过调整风控规则阈值以控制信贷风险，但如今他们也发现，仅仅依靠调整阈值而不改变风控模型，未必能起到很好的抗风险效果。”他指出，这背后的一个重要原因，是宏观经济波动加大等因素等不同类型或场景客群的信用风险结构可能已发生变化，因此金融机构要构建更完善的风控体系，需具备更多能力，包括风控模型迭代能力、数据处理能力、样本更新能力等。

　　记者获悉，这驱动越来越多中小银行等金融机构正将风控策略从传统的“规则对抗”转向以“模型对抗”，进一步提升自身风控体系的主动性、有效性与及时性。

　　上述城商行IT部门负责人向记者透露，目前他们已将语言大模型与图像大模型技术应用在零售信贷风控场景，旨在从复杂异构的海量数据抽取差异化的风控指标。

　　以司法判决文书为例，传统AI技术或传统NLP技术仍很难精准识别并抽取这份司法判决文书的类型，结果是胜诉还是败诉，以及胜诉的具体金额，对信贷客户信用状况的具体影响有多大等。于是他所在的城商行尝试通过图像大模型将上述有效信息识别并抽取出来。

　　“目前的效果相当不错，比如大模型技术能很好地进行判决文书的分类，以及分类后的抽取胜诉金额数据，以及对信贷客户信用状况的具体影响，有助于我们将更多差异化风控指标嵌入到现有的信贷风控体系。”他向记者指出。此外，通过图像大模型技术，他们还能识别部分信贷申请用户进行人脸识别过程的“场所背景”是否趋同，分析其中存在团伙信贷欺诈等风险。

　　此外，也有中小银行尝试通过大模型技术成功实现“多模态数据入参”。以往，这些中小银行发现要从众多中小微企业与个体户收集统一的结构化数据相当很难，导致银行在风控环节无法更全面深入地挖掘各个细分行业小微企业的业务发展状况，若大模型技术能解决“多模态数据入参”（比如中小企业只需打印银行流水账单，大模型就能抓住其中重要企业财务数据并作为参数纳入风控模型），就能提升银行的敢贷愿贷能贷水准。

　　值得注意的是，尽管中小银行在大模型技术风控应用方面取得诸多进展，但受制于资金投入相对有限，中小银行对大模型技术的引入或应用，基本都会选择“最经济实惠”的使用方式。

　　具体而言，多数中小银行认为大模型在信贷风控领域的应用，首先应解决风控模型迭代速度偏慢与小样本量风控建模两大挑战。

　　“目前在对抗黑灰产组织信贷欺诈攻击方面，随着人脸识别技术日新月异，我们很可能刚上线了一个关于人脸识别的风控模型，黑灰产组织很快就找到新科技攻克它，如此我们的风控迭代周期一旦稍稍放慢，就存在较大的风控隐患；此外数据质量也是提升风控模型精度的重要前提，尤其在反欺诈与反洗钱环节，若我们采集或处理的数据稍有滞后，也可能留下风控隐患。”一位中小银行风控部门主管向记者指出。

　　陈波向记者透露，目前大模型技术在解决上述两大风控挑战方面已有相当良好的成效。比如腾讯云金融风控大模型通过参与众多金融业务场景的风控实践，积累了大量风险知识库，覆盖汽车金融、小额短期信贷、泛亚电竞官方消费分期、大额长期、互金场景、银行助贷与联合贷等众多场景，并将这些风险知识库与场景相关的知识提取出来，与不同类型金融机构的样本进行融合，形成多模态融合与增强学习，既能有效提升金融机构小样本量风控建模效率与精准性，又能加快金融机构风险模型迭代步伐，更快地应对外部经济环境变化与黑灰产组织的新型信贷欺诈攻击。

　　记者还了解到，部分中小银行还尝试通过大模型+小模型的方式实现大模型在风控领域的应用。具体而言，一是大模型起到任务分解与调度作用，小模型在特定场景实现快速迭代，达到“与时俱进”的风控效率，二是在部分业务场景让大模型部分“替代”小模型，以达到更好的降本增效作用。

　　尽管不少中小银行在大模型风控应用方面取得诸多进展，但如何说服银行高层继续追加投入，仍是一大挑战。

　　“目前，大模型可解释性问题一直困扰着我们，无论是大模型技术，还是普通统计学模型，我们在具体使用过程，特别是会商会审过程都经济会面临大模型可解释性问题。目前相比传统的统计学模型，大模型生成的某些风控结论的可解释性相对偏低，这也令我们说服银行高层追加投入的难度加大。”一位城商行IT部门人士向记者感慨说。此外，随着大模型在信贷风控领域的作用越来越大，如何平衡大模型风控与银行自主风控之间的关系，同样是一大挑战。

　　陈波向记者透露，针对上述状况，第三方风控科技平台已制定相应的解决方案，比如将大模型技术生成的风控结论作为金融机构整个风控体系的一个变量，这个变量主要解释用户某些行为的信用风险大小，再将这个变量加入传统的信贷风控评分卡模型，作为银行等金融机构开展风控决策的一个维度。如此既能在某种程度解决大模型的可解释性问题，又不会影响到银行自主风控要求。

　　也有中小银行人士透露，目前他们在尝试引入外部大模型风控技术时，还遇到“数据不得出行”挑战。因为银行高层担心，一旦引入大模型技术对银行内部样本数据进行预训练，就会出现数据“出行”问题，有可能存在数据泄露等风险。

　　陈波指出，围绕“数据不出行”，腾讯安全也尝试了不同的解决方案，比如在中小银行本地部署大模型技术，因为大模型背后是海量的知识库，这些知识库其实不与外部互联网对接，如此银行使用本地部署的大模型技术进行风控建模与数据预训练时，就不存在“数据出行”的烦恼；与此同时，腾讯安全会定期将更新的风控参数或风控模型在银行本地进行迭代，在做到数据不出库的情况下加快风控模型的迭代步伐。

　　记者获悉，当前中小银行在使用大模型技术时，还特别看重小样本量风控建模的泛化性问题。长期以来，不少中小银行发现风控模型在运行一段时间后，都会出现“漂移”，即风控模型的风控效果开始衰退。因此他们希望金融风控大模型能引入大量场景风控知识库，辅以强化学习+知识蒸馏方式，令中小银行在采取少量样本风控建模后，其风控效果仍能在相当长时间后保持较高水准。

　　陈波指出，当前金融机构的新信贷产品上线，或信贷业务由线下转向线上，通常会遇到少量或零样本风控建模状况，需冷启动风控策略，导致他们不得不面对不可预知的风险。面对这种状况，腾讯云金融风控大模型可以协助金融机构克服这些困难，究其原因，一是腾讯安全具有丰富的黑灰产对抗经验，沉淀跨业务场景的多模态风控知识库，覆盖不同业务场景的模型，特征和标签等；二是通过Prompt方式向金融机构提供的无标签样本或者小样本做知识抽取，并与多模态知识库做知识融合，能进一步提升风控效率；三是通过强化学习对生成式样本做模型训练，相比传统的小样本学习算法的KS（Kolmogorov-Smirnov，评估模型效果的一种指标）提升逾20%，四是腾讯安全融合海量跨场景风控知识库，能覆盖不同类型的欺诈和违约模式，令风控模型的泛化能力变强。