增量式风险评估：小型语言模型如何识别针对老年人的渐进式金融诈骗
随着老年人越来越多地通过短信、邮件和电话等渠道遭遇金融诈骗，一种新型的防护思路浮出水面：利用经过指令微调的小型语言模型，在对话逐步展开的过程中实时评估风险。来自 arXiv 的最新研究提出了一种基于累积对话轮次的风险评估框架，为资源受限场景下的欺诈检测提供了新可能。
诈骗的渐进式特征
针对老年人的金融诈骗往往不是一蹴而就的，而是像温水煮青蛙一样，在多次对话中逐步推进。诈骗者通常先以冒充或闲聊建立初步联系，随后通过建立信任和制造紧迫感逐步升级，最终诱骗受害者泄露敏感信息或进行转账。这种多轮对话的渐进性，使得风险信号是在每一轮对话中逐渐累积的，而非一次性暴露。
这意味着，有效的检测工具必须具备持续更新风险判断的能力，而不仅仅是依赖单一消息的分析。
累积式风险评估框架
为了应对这一挑战，研究团队提出了一种按对话轮次累积评估的方法：系统将每一轮新对话附加到之前的上下文中，并重新计算当前的整体风险水平。这种设计使得模型能够捕捉到对话中跨轮次的升级模式，并动态调整风险评分。
为了训练和评估模型，研究者构建了一个多轮对话数据集，涵盖投资、慈善和技术支持三类常见诈骗场景。每个对话包含 2 到 8 轮，并在每一轮累积阶段标注了定性风险等级、连续风险分数、解释性理由和安全建议。这种精细的标注方式，为模型提供了学习和评估的基准。
小型模型的潜力
研究团队对四种小型语言模型（Phi-4、LLaMA-3.2、DeepSeek-R1 和 Qwen3）进行了指令微调，并在统一框架下进行了评估。结果显示，经过微调的小型模型能够有效捕捉欺诈相关的语言线索和跨轮次的升级模式，同时保持紧凑的模型架构，非常适合在移动端或资源受限的设备上部署。
其中，Phi-4 和 LLaMA-3.2 在与其参数量相当的模型中表现尤为突出，在轮次感知的风险评估任务中取得了更好的成绩。
隐私与安全的平衡
这项研究的价值不仅在于技术层面的突破，更在于它提供了一种隐私友好的解决方案。由于小型模型可以在本地设备上运行，无需将对话内容上传到云端，从而降低了数据泄露的风险。这对于处理敏感的金融对话尤为重要。
研究结果表明，结构化的累积式建模能够支持在部署场景中进行增量式的诈骗风险评估，并凸显了紧凑型语言模型在设备端欺诈防护中的巨大潜力。尽管目前的研究仍处于早期阶段，但它为保护老年人免受金融诈骗开辟了新的路径。