- 综合排序
- 最热优先
- 最新优先
腾讯大模型信贷助手：对公信贷全流程智能提效解决方案
揭示对公信贷尽调人工依赖与效率瓶颈 当前对公信贷领域，70%以上材料为非结构化数据，严重依赖客户经理人工处理。 伴随金融机构线上化、数字化、智能化（“三化”）推进，贷前尽调材料（含营业利润、财务报表、银行流水、涉诉情况等46类信息）成倍增加，客户经理负担加剧，亟需智能工具突破产效瓶颈。 部署大模型信贷助手全流程智能处理体系 腾讯推出大模型信贷助手，基于通用大模型（混元大语言模型、混元多模态模型）进行大规模场景化微调与应用工程开发，形成覆盖信贷全流程的多源异构材料结构化提取分析综合解决方案 大模型应用厂商与互联网券商落地验证 在大模型应用厂商和互联网券商企业落地应用中，该模型针对年报、财报等超长复杂文档处理表现出色，验证了200MB以上超大文档解析能力与30%准确率提升的实际效果，成为对公信贷尽调智能工具的有效实践 依托混元大模型技术构建信贷智能底座 选择腾讯的核心在于技术领先性与场景适配性： 模型基础：基于混元通用大模型与混元专属大模型（场景化微调），结合DeepSeek R1/V3增强能力； 技术突破：
700编辑于 2026-04-28- 来自专栏支付领域知识
信贷系统
上述的“借钱”就是我们今天要讲的信贷业务，如车贷、房贷、花呗、借呗等都属于信贷模式的一种。 信贷业务涉及到了银行、保理商、金融平台、金融市场等参与者，以及所衍生的流贷、保理、ABS票据贴现等业务种类下面，我们看一下整个信贷的用户端、资产端等整个信贷链条的全局架构。 基于架构图，我们可以看到信贷全局，可以通过5个方面去看清信贷。01从参与方看信贷一般来说信贷有借款者、平台、资金方三个参与角色。1.1.借款者可以是个人，也可以是企业，通过信贷快速获得资金。 1.3.资金方是信贷交易的资金提供者。通过借钱给别人，获取利息、费用收入。如招商银行、建设银行、中信保诚。02从用户场景看信贷一般常见分为B端、C端场景。 智能风控：通过信息共享、风控模型、风控台账，帮助评估企业、个人风险等级，减少人力成本和人为误差。
82201编辑于 2025-06-17 腾讯大模型信贷助手：以结构化数据与智能工程破解对公信贷尽调效能瓶颈
直面对公信贷尽调的非结构化数据处理困局 当前对公信贷领域面临显著战略困境： 对公信贷70%以上属于非结构化数据（据原文），严重依赖客户经理人工处理材料，涵盖营业利润、财务报表、银行流水、涉诉情况等46类尽调要素 同时，贷款利率持续下行推动市场下沉，贷前尽调工作量成倍增加，金融机构加速线上化、数字化和智能化转型，但人工处理模式难以满足“三化”要求，客户经理负担加剧，渴求智能工具提升产效（据原文）。 、训推一体平台Ti-ONE、智能算力管理平台（异构GPU纳管、池化、调度、租户隔离）（据原文）。 智能体可按信贷业务节点自动识别、提取、审核材料，按企业所属行业自动分析行业对标，辅助判断企业景气度；自动完成财务健康度分析、流水比对、征信涉诉风险提取，描述偿债能力指标趋势与异动原因（据原文）。 腾讯技术底座支撑信贷智能化持续进化 腾讯大模型信贷助手的技术领先性源于： 双模型协同：混元大语言模型（推理提取）与混元多模态模型（解析能力）突破多项技术瓶颈，为信贷场景定制“大脑”与“眼睛”（据原文
800编辑于 2026-04-28- 来自专栏数据科学与人工智能
金融科技|普惠金融下的智能信贷风控
典型的智能风控体系如图1所示，为了达成风控目标，智能风控注重对多种人工智能技术的综合应用，借助人工智能技术进行精细化运营管理，可以有效避免人为操作带来的风控漏洞与不足。 在当前时代背景下，普惠金融下的信贷风控呈现如下几个发展趋势： （一）线上化 通过互联网信息技术可以从线上方便、快捷地获取客户海量数据信息，并且通过智能风控模型可以自动快速处理客户海量数据。 （二）数据化 利用丰富的线上数据可以对客户进行更为专业的风险画像和分析，进而有利于控制信贷风险，降低风险成本。数据驱动的风险管理已成为银行风控发展的新趋势和必然选择。 图3 普惠金融智能风控关键技术 特征工程的构建主要基于信贷基本原理，根据获取的数据，构造验证身份、验证还款意愿、验证还款能力三个方面的特征，形成完整的信贷用户画像。 2.业务方面主要包括风控总监，信贷产品专家，信贷风控模型专家，以及信贷运营流程专家。 3.IT方面主要包括IT总监、项目经理、需求分析师、架构设计师、软件开发及测试人员等。
3.9K10编辑于 2022-12-22 腾讯大模型信贷助手：破解对公信贷尽调效能瓶颈
揭示对公信贷尽调人工依赖重、效能不足的共性挑战 对公信贷领域70%以上数据为非结构化，尽职调查需处理营业利润、财务报表、银行流水、涉诉情况等46类材料（含图片、音视频等多源异构数据），严重依赖客户经理人工识别 伴随贷款利率下行、市场下沉及金融机构线上化数字化加速，客户经理负担成倍增加，亟需智能工具提升产效。 部署大模型信贷助手全周期智能解决方案 基于混元大语言模型与混元多模态模型，腾讯推出大模型信贷助手，形成覆盖信贷全流程的多源异构材料结构化提取与分析综合解决方案。 总结腾讯大模型信贷助手的技术领先性与适配价值 选择腾讯的核心在于： 技术确定性：依托混元通用大模型及混元专属大模型（场景化微调），整合大模型智能体开发平台（TCADP）、训推一体平台（Ti-ONE） 、智能算力管理平台（异构GPU纳管等），保障系统稳定性与开发效率； 场景适配性：针对对公信贷尽调“非结构化数据处理难、人工负荷重”痛点，提供“低门槛、高可用、可回溯、持续进化”的全周期智能伴侣，直接降低运维成本
15110编辑于 2026-04-25- 来自专栏全栈程序员必看
信贷风控模型开发—-模型简介
第一章 风控模型简介 1.1 为什么要建模 1.2 什么是信用评分 1.3 常用的模型 1.4 概念解析：M0,M1,M2的定义 下一章预告 参考文献 第一章 风控模型简介 本系列文章为笔者对信贷风控领域建模的一些学习研究心得汇总 ，以及一些代码示例，尽量会将信贷风控领域的一些基本概念阐述明白。
1.3K10编辑于 2022-09-05 - 来自专栏SAP ERP管理实践
SAP 信贷主数据介绍
信贷主数据主要是指客户的信用额度，主要用于销售业务风险管理。通过维护信用额度及启用系统信用检查功能，对客户提报销售需求时进行统一管控，降低销售款逾期及坏账风险。 FD32: 维护信用额度 FD33: 查看信用额度 1.维护客户信贷界面 客户代码： 需维护信用额度的客户； 信用控制范围：信用管理的组织单元，同一个信用控制范围内客户，共享一个信用额度； 概览：显示客户信贷基本信息 基本信息：包括客户的地址信息及中心信贷信息 信贷控制范围数据：包括信贷状态与付款历史记录等 2.维护信贷限额、币种、有效期数据等 信贷额度：经审批的授信额度； 信用额度币种：根据信用控制范围配置自动确认 信贷有效期数据：如果设置此标识，那么计算已使用的信贷限额时，仅考虑那些位于已定义的信用范围之内的未清销售值；在此字段中缺省的日期是在信用控制的定制之中为客户以及风险类别而指定的最小范围。 如果未在定制中指定范围，那么此系统缺省当前日期，对于已使用的信贷限额，将考虑所有未清销售值。
76510编辑于 2024-06-26 - 来自专栏拓端tecdat
Python信贷风控模型：Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|数据分享
p=26184 在此数据集（查看文末了解数据获取方式）中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？以及不同人口统计学变量的类别，拖欠还款的概率如何变化？ PAY_4： 2005年6月的还款状态（与上述相同） 11. PAY_5： 2005年5月的还款状态（与上述相同） 12. PAY_6： 还款状态2005年4月 的账单（与上述相同） 13. BILL_AMT4： 2005年6月的账单金额 17. BILL_AMT5： 2005年5月的账单金额 18. BILL_AMT6： 2005年4月 19. 数据获取 在下面公众号后台回复“信贷数据”，可获取完整数据。 本文摘选《Python信贷风控模型：Adaboost,XGBoost,SGD, GBOOST, SVC,随机森林, KNN预测信贷违约支付》。
1.4K31编辑于 2022-04-14 腾讯大模型信贷助手：以技术确定性破解对公信贷尽调效率瓶颈
剖析对公信贷尽调人工依赖重效率低的行业瓶颈 对公信贷尽调面临材料繁杂与人工处理效能不足的双重矛盾。 伴随贷款利率下行推动市场下沉，尽调工作量成倍增加，金融机构线上化、数字化、智能化转型需求迫切，人工处理模式已难以满足效率与风控要求。 推出腾讯大模型信贷助手全流程智能解决方案 基于通用大模型进行大规模场景化微调与应用工程开发，形成针对信贷业务全流程多源异构材料的数据要素结构化提取与分析综合解决方案，核心包括： 技术底座：依托混元大语言模型构建推理提取能力 功能模块：覆盖智能尽调（材料识别提取审核、行业分析标杆对照）、财务分析（财务健康度分析、流水比对）、信用风险分析（征信涉诉风险提取）、报告生成（一站式生成，支持任意流程节点接入）等全生命周期信贷业务场景 大模型应用厂商与互联网券商企业案例 在大模型应用厂商和互联网券商企业落地时，该模型对年报、财报等超长复杂文档处理表现出色，作为业界首个支持200MB以上超大文档解析的方案，准确率较传统方案提升30%，有效支撑对公信贷尽调智能化转型
10610编辑于 2026-04-26- 来自专栏机器学习/数据可视化
基于LightGBM的信贷数据建模
公众号：尤而小屋作者：Peter编辑：Peter大家好，我是Peter~本文是UCI金融信贷数据集的第二篇文章：基于LightGBM的二分类建模。 ：2005年7月的账单金额BILL_AMT4：2005年6月的账单金额BILL_AMT5：2005年5月的账单金额BILL_AMT6：2005年4月的账单金额PAY_AMT1：2005年9月之前的付款金额 ；PAY_AMT2：2005年8月之前的付款金额PAY_AMT3：2005年7月之前的付款金额PAY_AMT4：2005年6月之前的付款金额PAY_AMT5：2005年5月之前的付款金额PAY_AMT6 In 29:df[['PAY_AMT1', 'PAY_AMT2', 'PAY_AMT3', 'PAY_AMT4', 'PAY_AMT5', 'PAY_AMT6']].describe()Out29:PAY_AMT1PAY_AMT2PAY_AMT3PAY_AMT4PAY_AMT5PAY_AMT6count30000.0000003.000000e pd.DataFrame(label).reset_index() df_labelOut32:Labelcount0023364116636In 33:# plt.figure(figsize = (6,6
58210编辑于 2024-01-19 - 来自专栏信数据得永生
Python 智能项目：6~10
-1681654125431)(https://gitcode.net/apachecn/apachecn-dl-zh/-/raw/master/docs/intel-proj-py/img/f17a6b6e-bf3f 在这里，S表示智能体可能会暴露的所有状态，而A则表示智能体可以参与的可能动作。 您现在可能想知道智能体如何采取行动。 应该是随机的还是基于启发式的？ 好吧，这取决于智能体与相关环境的交互程度。 在初始阶段，智能体可能会采取随机行动，因为他们不了解环境。 但是，一旦智能体与环境进行了足够的交互（基于奖励和惩罚），智能体就会了解在给定状态下采取哪种适当的措施。 状态和奖励将由环境呈现给智能体，而智能体将通过采取适当的行动对智能体采取行动。 这些状态采用从汽车前面的摄像头拍摄的图像的形式。 设计智能体 该智能体将与环境交互，并在给定状态的情况下，尝试执行最佳操作。 智能体最初将执行随机动作，并且随着训练的进行，动作将更多地基于给定状态的 Q 值。
91220编辑于 2023-04-23 - 来自专栏数据科学实战
AkShare-宏观数据-新增信贷数据
作者寄语 更新 中国-新增信贷数据 接口，通过本接口可以获取中国新增信贷数据接口，该数据从 200801 至今所有数据。 重要性：高：“信贷”即信用贷款，是指以借款人的信誉发放的贷款，借款人不需要提供担保。其特征就是债务人无需提供抵押品或第三方担保仅凭自己的信誉就能取得贷款，并引以借款人信用程度作为还款保证的。 更新接口 "macro_china_new_financial_credit" # 中国-新增信贷数据 新增信贷数据 接口: macro_china_new_financial_credit 目标地址 : http://data.eastmoney.com/cjsj/xzxd.html 描述: 获取中国新增信贷数据数据, 数据区间从 200801 至今, 月度数据 限量: 单次返回所有历史数据 输入参数
74130发布于 2020-07-31 - 来自专栏拓端tecdat
Python信贷风控模型：Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据
最近我们被客户要求撰写关于信贷风控模型的研究报告，包括一些图形和统计输出。 在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？ LIMIT_BAL： 金额 SEX： 性别（1 =男，2 =女） 4.教育程度：（1 =研究生，2 =本科，3 =高中，4 =其他，5 =未知） 5.婚姻： 婚姻状况（1 =已婚，2 =单身，3 =其他） 6. （与上述相同） PAY_5： 2005年5月的还款状态（与上述相同） PAY_6： 还款状态2005年4月 的账单（与上述相同） BILL_AMT1： 2005年9月的账单金额 BILL_AMT2： 2005年8月的账单金额 BILL_AMT3： 账单金额2005年7月 的账单金额 BILL_AMT4： 2005年6月的账单金额 BILL_AMT5： 2005年5月的账单金额 BILL_AMT6： train_test_split(X, y, test_size = 0.2, random_state = 0) 步骤6：规范化数据：特征标准化 对于许多机器学习算法而言，通过标准化（或Z分数标准化）
61000编辑于 2023-05-30 - 来自专栏拓端tecdat
Python信贷风控模型：Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据
p=26184 最近我们被客户要求撰写关于信贷风控模型的研究报告，包括一些图形和统计输出。在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？ LIMIT_BAL： 金额 SEX： 性别（1 =男，2 =女） 4.教育程度：（1 =研究生，2 =本科，3 =高中，4 =其他，5 =未知） 5.婚姻： 婚姻状况（1 =已婚，2 =单身，3 =其他） 6. （与上述相同） PAY_5： 2005年5月的还款状态（与上述相同） PAY_6： 还款状态2005年4月 的账单（与上述相同） BILL_AMT1： 2005年9月的账单金额 BILL_AMT2： 2005年8月的账单金额 BILL_AMT3： 账单金额2005年7月 的账单金额 BILL_AMT4： 2005年6月的账单金额 BILL_AMT5： 2005年5月的账单金额 BILL_AMT6： ---- 本文摘选 《 Python信贷风控模型：Adaboost,XGBoost,SGD, GBOOST, SVC,随机森林, KNN预测信贷违约支付 》
69110编辑于 2022-12-01 - 来自专栏拓端tecdat
Python信贷风控模型：Adaboost,XGBoost,SGD, SVC,随机森林, KNN预测信贷违约支付|附代码数据
p=26184 最近我们被客户要求撰写关于信贷风控模型的研究报告，包括一些图形和统计输出。 在此数据集中，我们必须预测信贷的违约支付，并找出哪些变量是违约支付的最强预测因子？ LIMIT_BAL： 金额 SEX： 性别（1 =男，2 =女） 4.教育程度：（1 =研究生，2 =本科，3 =高中，4 =其他，5 =未知） 5.婚姻： 婚姻状况（1 =已婚，2 =单身，3 =其他） 6. （与上述相同） PAY_5： 2005年5月的还款状态（与上述相同） PAY_6： 还款状态2005年4月 的账单（与上述相同） BILL_AMT1： 2005年9月的账单金额 BILL_AMT2： 2005年8月的账单金额 BILL_AMT3： 账单金额2005年7月 的账单金额 BILL_AMT4： 2005年6月的账单金额 BILL_AMT5： 2005年5月的账单金额 BILL_AMT6： ---- 本文摘选 《 Python信贷风控模型：Adaboost,XGBoost,SGD, GBOOST, SVC,随机森林, KNN预测信贷违约支付 》 ，点击“阅读原文”获取全文完整资料。
45400编辑于 2023-09-04 腾讯大模型信贷助手：提升对公信贷尽调效率与精度的综合解决方案
剖析对公信贷尽调核心瓶颈 对公信贷业务中，70%以上材料为非结构化数据，严重依赖客户经理人工处理。 伴随贷款利率下行推动市场下沉，贷前尽调工作量成倍增加；金融机构线上化、数字化、智能化“三化”要求进一步加剧人工负担，亟需智能工具突破效率与精度瓶颈。 构建大模型信贷全流程智能解决方案 腾讯推出大模型信贷助手，基于通用大模型进行大规模场景化微调与应用工程开发，形成覆盖信贷全流程的多源异构材料数据要素结构化提取、分析综合解决方案及专属任务模型。 核心功能包括： 五大智能助手：贷款进件助手（材料识别提取审核）、行业分析助手（行业对标与企业景气度分析）、财务分析助手（财务健康度与流水比对）、信用风险助手（征信/涉诉风险提取分析）、报告生成助手（ 平台化支撑：集成大模型智能体开发平台TCADP、大模型训推一体平台Ti-ONE、大模型智能算力管理平台（异构GPU纳管、池化、调度、租户隔离），保障系统稳定性与开发效率。
4700编辑于 2026-04-27- 来自专栏SAP ERP管理实践
SAP SD 解除订单信贷冻结处理
销售订单超出信贷额度后被冻结，不能再用于发货，需解除订单的信贷冻结才能继续执行相关业务。 说明：信贷账号即启用信贷控制的客户代码；单据分布中勾选销售凭证还是交货，依据客户的信贷“风险类别”而定。 3.释放被冻结的订单 ? ? 单据状态发生变化后，点击保存即可。 4.查看订单的信贷额度使用情况 ? 在创建订单时，通过以上路径可查看客户的信贷信用情况。 ? 在创建订单时，如果剩余的信贷额度（信贷限额-信贷风险总额）小于本订单的金额合计，则订单在保存时将依据风险类别予以警告或冻结订单/交货单；如果客户的风险类别为001-冻结订单，订单在保存后被信贷冻结，则被冻结订单的销售金额不计入信贷风险总额 订单被信贷冻结以及被信贷管理员解除冻结，则其（信用状态）的值会发生变化，被冻结的订单状态为“不批准”，已释放冻结的订单状态为“核准的”，审批完成后即可创建后续的单据了。
12K40发布于 2020-02-16 - 来自专栏SAP梦心的SAP分享
SAP 客户信贷重建一则
前段时间接到业务的一个需求，需要将标准和定制业务的信贷分开。原来目前公司是将标准和定制的客户信贷金额整在一起，共用一个信贷范围。 查看销售订单的信贷范围可以通过VA03查看“环境——合作伙伴——显示信贷科目”可以知道相关销售订单的信贷范围以及信贷余额。 更新所有销售订单的信贷范围以及重组信贷，需要通过事务代码F.28来实现： ? 整个信贷重建的业务，需要注意以下几点： 1、销售订单的信贷账户取决于销售订单合作伙伴里的付款方，同时付款方也会有相关的信贷账户； 2、重组信贷之后，原来订单的信贷信息会从原来的信贷账户转移到新的信贷账户 ，会提示交货冻结；此时要么加信贷余额并F.28重建，要么就是交货单删掉，加信贷再新建交货单，要么通过VKM5进行信贷释放； 6、ECC版本是通过F.28进行重建，S4版本重建信贷是通过SE38执行以下两个程序
1.1K40发布于 2019-06-24 - 来自专栏信数据得永生
Python 人工智能：6~10
6 集成学习的预测分析 在本章中，我们将学习集成学习以及如何将其用于预测分析。 而不是随机选择它们，我们使用k-means++以更智能的方式选择这些中心。 这样可以确保算法快速收敛。 n_clusters参数是指群集数。 在我们讨论它的构成及其在人工智能（AI）中的相关性之前，让我们先讨论一下编程范例。 编程范例的概念源于对编程语言进行分类的需求。 它是指计算机程序通过代码解决问题的方式。 不知情还是知情搜索 约束满意度问题 本地搜索技术 模拟退火 使用贪婪搜索构造字符串 解决约束问题 解决区域着色问题 构建 8 难题求解器 构建一个迷宫求解器 启发式搜索是人工智能吗？ 在第 2 章，“人工智能的基本用例”中，我们了解了 Pedro Domingos 定义的五个流派。 符号主义者流派是最“古老”的流派之一。 至少对我来说，这一事实不足为奇。
1.7K30编辑于 2023-04-23 - 来自专栏信数据得永生
ensorFlow 智能移动项目：6~10
六、用自然语言描述图像 如果图像分类和物体检测是明智的任务，那么用自然语言描述图像绝对是一项更具挑战性的任务，需要更多的智能-请片刻考虑一下每个人如何从新生儿成长（他们学会了识别物体并检测它们的位置） 如果我们可以在智能手机上运行此模型，会不会更酷？ 但是在此之前，由于模型的相对复杂性以及 Python 中train和run_inference脚本的编写方式，我们还需要采取一些额外的步骤。 intel-mobi-proj-tf/img/e08dec95-3b49-432a-bc4f-e3077151f2e9.png)] 图 6.8：字幕示例显示在 TensorFlow im2txt 模型网站上 在我们进行下一个智能任务之前 十、构建类似 AlphaZero 的手机游戏应用 尽管现代人工智能（AI）的日益普及基本上是由 2012 年深度学习的突破引起的，但 2016 年 3 月，Google DeepMind 的 AlphaGo 与监督学习不同，监督学习需要标记数据进行训练，就像我们在前几章中建立或使用的许多模型中所看到的那样，强化学习使用反复试验的方法来获得更好的效果：智能体与环境交互并接收在每个状态上采取的每个动作的奖励（正面或负面
2.2K20编辑于 2023-04-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号