國內(nèi)首個個人信用分芝麻信用的“6月6號信用日”引發(fā)社會對個人征信的廣泛討論,并在大眾層面對個人信用進行了一次科普。今日,螞蟻金服商學院發(fā)布了芝麻信用的第一份數(shù)據(jù)報告。報告顯示,信用日前后,新開通芝麻分的用戶環(huán)比增長了350%,越來越多的人關(guān)注并重視自己的信用分。芝麻信用公測5個月期間,絕大部分的用戶因為守信行為而積累了正向的數(shù)據(jù),有91%的用戶的芝麻分得到了小幅提升,也有小部分用戶因為違約等行為芝麻分有不同程度的下降。
人們越來越重視信用了 91%用戶的芝麻分漲了
除了91%芝麻信用用戶的分數(shù)上漲之外,芝麻信用公測期間,18%的用戶會去申請查看他人的芝麻分,每個用戶平均查看3個人。這意味著,有了芝麻信用這樣的個人信用體系,越來越多的人們在和他人社交、交易前通過查看芝麻分來了解對方的基本信息。例如,在二手交易平臺閑魚上,交易前查看芝麻分正在成為“常規(guī)動作”。在開通了芝麻分的全部閑魚用戶中,34%的人愿意向?qū)Ψ秸故咀约旱闹ヂ榉郑宰C明自己的信用水平。
為了讓大眾關(guān)注信用重視信用,芝麻信用將每年的6月6日定為“信用日”。數(shù)據(jù)顯示,“信用日”前后,大眾對于信用的認知程度也明顯提高。
螞蟻報告的數(shù)據(jù)顯示,6月上旬(6月1-10號),申請開通芝麻分的新用戶相比5月下旬(5月22日-31日)明顯增加,環(huán)比增幅高達350%。與此同時,查看自己芝麻分的用戶數(shù)環(huán)比增長了73%,平均查看次數(shù)則由2次增加至到了3次。
這些數(shù)據(jù)也反應出,芝麻信用以及“信用日”讓越來越多的用戶更加關(guān)注自身信用。對廣大用戶而言,信用不再是一個看不見摸不著的概念,而是用來反應自身信用品質(zhì)的一個指標。
芝麻分高能享權(quán)益:簽證、租車、住宿等信用服務在流行
信用正在變的越來越有用。芝麻信用發(fā)布的社會信用調(diào)查報告顯示,82%的中國消費者認為個人信用對自己非常重要,但是對個人信用的作用和使用方法了解不夠。知道個人信用記錄的人當中,只有44%的人前去查詢過個人信用記錄。在對個人信用的使用上,91%的消費者都是集中在“銀行貸款“上,89%的被調(diào)查者希望個人信用的應用可以擴大范圍。
為了讓大眾享受更多的信用服務,1月底公測以來,芝麻信用與各領域的商戶一起,推出了諸多創(chuàng)新的信用服務,讓用戶真真切切體驗到信用帶來的權(quán)益和便利。
以簽證為例,6月4日,芝麻信用聯(lián)合阿里旅行 ·去啊上線了 “信用簽證 ”服務。用戶的芝麻分只要達到一定標準,就可簡單地申請新加坡或者盧森堡簽證,免去提交一部分證明材料。這一消息公布后,網(wǎng)友喜大普奔并大贊芝麻分是“簽證解藥”。有網(wǎng)友評論表示,以前不知道信用好是種怎樣的體驗,如今是越來越有體會了。
而在住宿、租車、金融等領域,芝麻分達到一定標準的用戶,也可以免押金住宿、租車,用芝麻分輕松貸款。隨著大眾對個人信用認知的加深,大眾對信用服務的接納度也在提高。以住宿領域的“信用住”為例,芝麻信用公布的數(shù)據(jù)顯示,5月使用“信用住”的用戶環(huán)比4月增長87%。在閑魚平臺上,6月上旬新開通芝麻分的用戶環(huán)比5月下旬增加了813%。
讓守信者暢通無阻,讓失信者則寸步難行,這是我國建設社會信用體系的核心理念。芝麻信用副總經(jīng)理鄧一鳴表示,芝麻信用希望通過與全社會的合作,讓商戶優(yōu)化創(chuàng)新自己的服務,讓信用好的用戶更多地享受到信用帶來的便利和權(quán)益,也從整體上完善我國的個人信用體系。
好文章,需要你的鼓勵
新加坡國立大學研究團隊開發(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,僅訓練AI玩簡單撲克游戲就能讓其數(shù)學推理能力提升8.6%,通用推理提升8.4%,且無需任何數(shù)學題目作為訓練材料。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)學解題中,為AI訓練提供了新思路。
同濟大學團隊開發(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)合深度學習和數(shù)學優(yōu)化方法,在合成數(shù)據(jù)集上實現(xiàn)37.9%的精度提升,并在真實設備上展現(xiàn)出色泛化能力,為機器人、AR和自動駕駛等領域提供更可靠的3D視覺解決方案。
伊利諾伊大學研究團隊通過對比實驗發(fā)現(xiàn),經(jīng)過強化學習訓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練效率,已在多個任務上驗證有效性。