互联网金融的代表性模式有第三方支付、网贷、众筹、门户金融理财等模式,不同的互联网金融模式框架的初步确立,乃是走过了从原来技术的简单运用到2013年互联网金融爆发期这样一段非常之路,最终,不同的互联网金融模式发展到2013年终达巅峰。
2013年之所以被称为互联网金融元年,是因为互联网思维成为影响并改变着传统金融业态形式的冲击力量,银行、券商、基金、保险等传统金融业机构都开始在这一年中谋篇布局,阿里巴巴、腾讯、百度、新浪等电商巨头都开始显现出在互联网领域打造新型产业链的竞进态势,传统的产业形态正在被搅局,部分已经被重塑,所以,2013年被称为互联网金融发展元年也算是实至名归。
那么,以2013年为限,互联网金融的不同模式,其获得长足发展分别经历了多长的周期?
第三方支付:15年
一般意义上的第三方支付机构,指的是非金融支付机构。1999年,首易信作为第一家第三方支付机构出现,最初是被运用在网关支付方面。4年之后,阿里巴巴的支付宝异军突起,其承载的信用中介规模不断扩大,这4年可以说是信用中介的迅速发展阶段。信用中介的发展催生了第三方支付机构向不同的行业领域渗透,如航空业、保险业等行业。
2008年——2009年,第三方支付模式的信用中介功能得到强化,清算服务功能也渐渐凸显,融资特性亦逐渐显露,这些要素的萌芽为后续进行互联网大数据融资奠定了坚实基础。直到2011年5月,首批第三方支付牌照发放,第三方支付机构的业务终成态势。
经过15年的发展,第三方支付机构发展脉络呈现出的特点是网关支付阶段过渡到信用中介阶段,信用中介特性的逐渐显露,这就为第三方支付扩展到不同行业领域进行支付服务创造了条件,而支付牌照的发放使得第三方支付终于成为一种力量登上了市场的舞台。
网贷:7年
2007年,国内第一家网贷平台“拍拍贷”成立,截止到2013年,6年的发展,盛衰相伴。这个发展周期内,国内的网贷平台呈现出不同的发展模式,担保交易模式、债权合同转让模式、无抵押无担保的线上撮合模式、小贷模式等,不同的经营方式逐渐被应用到网贷平台中,形成了逐鹿之势。
同时,在2013年底,网贷平台倒闭潮也同样来袭。相关数据显示,2013年全年就有75家网贷公司发生了风险事件,且之后倒闭潮来势更加凶猛,2014年国庆7天,就有5家网贷公司出现倒闭,整个行业风声鹤唳。
“无准入门槛、无行业标准、无监管机构”的“三无”因素,成为网贷平台模式的发展病痛,虽然这种互联网金融模式只发展了7年,但是所表现出来的风险性影响,值得业内人士对整个互联网行业金融的发展投入更多思考。
众筹:3年
国内的众筹模式发展基本处于起步阶段,也曾背上了非法集资的帽子。“点名时间”是国内最早的众筹网站,成立于2011年,是模仿美国Kickstarter而建立起来的,风格几乎与Kickstarter一样。众筹的运行依赖于开放的网络社区和大众筛选机制,网络社区鼓励大众参与到企业的运营中来,从而创造出了丰富的信息,提高了企业解决实际问题的概率。
众筹的捐赠与赞助模式、预售模借贷与股权投资模式,涉及到的金融交易和操作都比较复杂,法律监管操作性也不强,重重困难可在某种程度上视为众筹发展较慢的原因之一。
门户理财模式:15年+
其实从严格意义上讲,上述几种互联网金融模式基本上都属于门户理财的范畴。信息不对称程度的降低,必然推动门户理财的渠道拓宽,所以互联网的发展进程,因为很好的消除或部分消除了信息的不对称程度,所以门户理财的兴起基本上也伴随着互联网的发展历程。
但是互联网早期的发展历程经历的技术性革命和理念性革新,只能意味着门户理财具备了动力基础,后续互联网金融具体模式的出现,才让门户理财方式获得了巨大的发展潜力,所以,以第三方支付获得长足发展周期为节点,门户理财获得了真正意义上的发展动力,周期应在15年以上。
互联网金融的不同模式,其真正得到发展的周期各不相同,从不同周期对应的时间段,似可管窥每一种模式发展的成熟度,这对研究互联网金融未来的发展方向,或有一定的指导意义。
好文章,需要你的鼓励
本文介绍了由南方科技大学等机构于2026年4月发表的研究(arXiv:2604.08865),提出了名为SPPO的大模型推理训练新方法。该方法将推理任务重新建模为"序列级情境赌博机",用一个轻量级价值模型预测题目难度,以单次采样替代GRPO的多次采样,解决了标准PPO的"尾部效应"问题。实验显示,SPPO在数学基准测试上超越GRPO,训练速度提升约5.9倍,配合小尺寸价值模型还能显著降低显存占用。
这项由香港科技大学数学系完成的研究(arXiv:2604.10465,2026年ICLR博客论文赛道)提出了一种从朗之万动力学视角理解扩散模型的统一框架。研究指出,扩散模型的前向加噪和逆向去噪过程,本质上是朗之万动力学这一"分布恒等操作"被拆成了两半。在这个视角下,VP、VE-Karras和Flow Matching等不同参数化的模型可被精确互译,SDE与ODE版本可被统一解释,扩散模型相对VAE的理论优势得以阐明,Flow Matching与得分匹配的等价性也得到了严格论证。
中国人民大学高岭人工智能学院等机构联合开发了AiScientist系统,旨在让AI自主完成机器学习研究的完整工程流程,包括读论文、搭环境、写代码、跑实验和迭代调试,全程无需人工干预。系统核心设计是"薄控制、厚状态":由轻量指挥官协调专业代理团队,通过"文件即通道"机制将所有中间成果持久化存储,使每轮工作都能建立在前一轮积累的基础上。在PaperBench和MLE-Bench Lite两个基准上,系统表现显著优于现有最强对比系统,论文发布于2026年4月。
这项由字节跳动发布的研究(arXiv:2604.13030)提出了生成式精化网络(GRN),一套模仿人类画家"边画边改"直觉的视觉生成新框架。其核心包括两项创新:层级二进制量化(HBQ)通过多轮二分逼近实现近乎无损的离散图像编码,以及全局精化机制允许模型在每一步对整张图像的所有位置重新预测并随时纠错,从根本上解决了自回归模型的误差积累问题。配合基于熵值的自适应步数调度,GRN在ImageNet图像重建(rFID 0.56)和生成(gFID 1.81)上均创下新纪录,并在文本生成图像和视频任务上以20亿参数达到同等规模方法的领先水平。