垂直金融搜索平臺融360昨日宣布,從線上搜索走向線下服務(wù)試水O2O,將在線下開設(shè)“貸款便利店”一站式信貸服務(wù),并計劃年內(nèi)開設(shè)18家,在2015年有望增加至100家,基本完成全國線下布局。
“目前公司已經(jīng)在北京、上海、深圳、廣州、南京等10個城市的黃金地段開設(shè)試點,并且運營良好。”融360風(fēng)控副總裁李英浩對記者介紹,貸款便利店的業(yè)務(wù)運營模式是,在融360線上業(yè)務(wù)每日所產(chǎn)生的數(shù)萬客戶申請需求中,篩選出符合條件的貸款人,邀請到貸款便利店進行一對一的、一站式信貸服務(wù)。用戶只需跑1次,提交自身的信用資質(zhì),整個貸款流程的其他環(huán)節(jié)則由融360團隊幫助完成,最后由金融機構(gòu)向用戶發(fā)放貸款。
“貸款便利店”實質(zhì)上是一種介于用戶和貸款機構(gòu)之間的專業(yè)服務(wù),貸款者不需要另外交費,由融360向金融機構(gòu)收取一定比例的服務(wù)費。融360聯(lián)合創(chuàng)始人兼CEO葉大清預(yù)計,便利店模式開啟后,小微貸款成功率提高到30%到40%,貸款周期壓縮在5-7天之內(nèi)。
值得注意的是,出于風(fēng)控要求和監(jiān)管規(guī)定,銀行或金融機構(gòu)并不能把貸款和貸后管理的所有環(huán)節(jié) “包辦”,這就要求了前期風(fēng)險監(jiān)控的融360具備良好的金融O2O基礎(chǔ),也意味著更多的付出與新的考驗。
“貸款便利店”模式利用平臺優(yōu)勢對前端和服務(wù)端做整合,使得整個生態(tài)圈的效率提升。而在快捷方便的背后,實則是依靠融360在線獲客能力、大數(shù)據(jù)、風(fēng)控建模和專業(yè)審核互相結(jié)合的系統(tǒng)工程的支撐。
本質(zhì)上融360賣給金融機構(gòu)的是線上線下結(jié)合的全套專業(yè)服務(wù)。具體而言,全套服務(wù)包括貸款盡職調(diào)查、資料收集、預(yù)審面談、貸款初步審批,甚至更深度的貸后客戶管理和催收。
融360之所以選在這個時機推出線下業(yè)務(wù),是出自多方面的考量。首先是時機,歷經(jīng)兩年半的經(jīng)驗積累沉淀,融360整站的平均貸款成功率已達(dá)到15%,是行業(yè)平均的5倍。其次是覆蓋,經(jīng)過過去一年的開拓,融360的貸款業(yè)務(wù)的線上站點已經(jīng)開通了130多個城市,能夠覆蓋到80%的目標(biāo)用戶,在打穩(wěn)線上業(yè)務(wù)階段性成果基石后,接下來就該拓展線下,深入對用戶的金融服務(wù),滲透到產(chǎn)業(yè)鏈更深的部分。
“貸款便利店” B、C端雙向價值
過去,融360平臺的服務(wù)模式是完全基于市面上已有貸款產(chǎn)品的,平臺并不介入用戶和金融機構(gòu)之間的接觸??蛻敉ㄟ^輸入自身的貸款需求,隨后由后臺系統(tǒng)智能化推薦一批合適的貸款產(chǎn)品。用戶可以根據(jù)自身判斷做最終選擇,再同貸款經(jīng)理進行接洽。這樣的做法,在減輕信息不對稱、提高貸款成功率方面卓有成效。但是,仍然有85%的借款需求未能得到滿足,沒有合適的貸款產(chǎn)品與之匹配、供給方風(fēng)控標(biāo)準(zhǔn)與需求方實際情況錯位等原因成了個人消費者和小微企業(yè)融資的“攔路虎”。
融360貸款便利店的產(chǎn)生,有望深入地改造現(xiàn)有的貸款模式,通過更深度地介入貸款流程來推動貸款產(chǎn)品創(chuàng)新和風(fēng)控管理創(chuàng)新,進而提升用戶和金融機構(gòu)雙方的體驗,最終提高貸款成功率、降低融資成本。
好文章,需要你的鼓勵
新加坡國立大學(xué)研究團隊開發(fā)了SPIRAL框架,通過讓AI與自己對弈零和游戲來提升推理能力。實驗顯示,僅訓(xùn)練AI玩簡單撲克游戲就能讓其數(shù)學(xué)推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學(xué)題目作為訓(xùn)練材料。研究發(fā)現(xiàn)游戲中的三種推理模式能成功轉(zhuǎn)移到數(shù)學(xué)解題中,為AI訓(xùn)練提供了新思路。
同濟大學(xué)團隊開發(fā)的GIGA-ToF技術(shù)通過融合多幀圖像的"圖結(jié)構(gòu)"信息,創(chuàng)新性地解決了3D相機噪聲問題。該技術(shù)利用圖像間的不變幾何關(guān)系,結(jié)合深度學(xué)習(xí)和數(shù)學(xué)優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設(shè)備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領(lǐng)域提供更可靠的3D視覺解決方案。
伊利諾伊大學(xué)研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學(xué)習(xí)訓(xùn)練的視覺語言模型雖然表現(xiàn)出"頓悟時刻"現(xiàn)象,但這些自我糾錯行為并不能實際提升推理準(zhǔn)確率。研究揭示了AI模型存在"生成-驗證差距",即生成答案的能力強于驗證答案質(zhì)量的能力,且模型在自我驗證時無法有效利用視覺信息,為AI多模態(tài)推理發(fā)展提供了重要啟示。
MIT等頂尖機構(gòu)聯(lián)合提出SparseLoRA技術(shù),通過動態(tài)稀疏性實現(xiàn)大語言模型訓(xùn)練加速1.6倍,計算成本降低2.2倍。該方法使用SVD稀疏性估計器智能選擇重要計算部分,在保持模型性能的同時顯著提升訓(xùn)練效率,已在多個任務(wù)上驗證有效性。