国内首个个人信用分芝麻信用的“6月6号信用日”引发社会对个人征信的广泛讨论,并在大众层面对个人信用进行了一次科普。今日,蚂蚁金服商学院发布了芝麻信用的第一份数据报告。报告显示,信用日前后,新开通芝麻分的用户环比增长了350%,越来越多的人关注并重视自己的信用分。芝麻信用公测5个月期间,绝大部分的用户因为守信行为而积累了正向的数据,有91%的用户的芝麻分得到了小幅提升,也有小部分用户因为违约等行为芝麻分有不同程度的下降。
人们越来越重视信用了 91%用户的芝麻分涨了
除了91%芝麻信用用户的分数上涨之外,芝麻信用公测期间,18%的用户会去申请查看他人的芝麻分,每个用户平均查看3个人。这意味着,有了芝麻信用这样的个人信用体系,越来越多的人们在和他人社交、交易前通过查看芝麻分来了解对方的基本信息。例如,在二手交易平台闲鱼上,交易前查看芝麻分正在成为“常规动作”。在开通了芝麻分的全部闲鱼用户中,34%的人愿意向对方展示自己的芝麻分,以证明自己的信用水平。
为了让大众关注信用重视信用,芝麻信用将每年的6月6日定为“信用日”。数据显示,“信用日”前后,大众对于信用的认知程度也明显提高。
蚂蚁报告的数据显示,6月上旬(6月1-10号),申请开通芝麻分的新用户相比5月下旬(5月22日-31日)明显增加,环比增幅高达350%。与此同时,查看自己芝麻分的用户数环比增长了73%,平均查看次数则由2次增加至到了3次。
这些数据也反应出,芝麻信用以及“信用日”让越来越多的用户更加关注自身信用。对广大用户而言,信用不再是一个看不见摸不着的概念,而是用来反应自身信用品质的一个指标。
芝麻分高能享权益:签证、租车、住宿等信用服务在流行
信用正在变的越来越有用。芝麻信用发布的社会信用调查报告显示,82%的中国消费者认为个人信用对自己非常重要,但是对个人信用的作用和使用方法了解不够。知道个人信用记录的人当中,只有44%的人前去查询过个人信用记录。在对个人信用的使用上,91%的消费者都是集中在“银行贷款“上,89%的被调查者希望个人信用的应用可以扩大范围。
为了让大众享受更多的信用服务,1月底公测以来,芝麻信用与各领域的商户一起,推出了诸多创新的信用服务,让用户真真切切体验到信用带来的权益和便利。
以签证为例,6月4日,芝麻信用联合阿里旅行 ·去啊上线了 “信用签证 ”服务。用户的芝麻分只要达到一定标准,就可简单地申请新加坡或者卢森堡签证,免去提交一部分证明材料。这一消息公布后,网友喜大普奔并大赞芝麻分是“签证解药”。有网友评论表示,以前不知道信用好是种怎样的体验,如今是越来越有体会了。
而在住宿、租车、金融等领域,芝麻分达到一定标准的用户,也可以免押金住宿、租车,用芝麻分轻松贷款。随着大众对个人信用认知的加深,大众对信用服务的接纳度也在提高。以住宿领域的“信用住”为例,芝麻信用公布的数据显示,5月使用“信用住”的用户环比4月增长87%。在闲鱼平台上,6月上旬新开通芝麻分的用户环比5月下旬增加了813%。
让守信者畅通无阻,让失信者则寸步难行,这是我国建设社会信用体系的核心理念。芝麻信用副总经理邓一鸣表示,芝麻信用希望通过与全社会的合作,让商户优化创新自己的服务,让信用好的用户更多地享受到信用带来的便利和权益,也从整体上完善我国的个人信用体系。
好文章,需要你的鼓励
这项研究利用大语言模型解决科学新颖性检测难题,南洋理工大学团队创新性地构建了闭合领域数据集并提出知识蒸馏框架,训练轻量级检索器捕捉想法层面相似性而非表面文本相似性。实验表明,该方法在市场营销和NLP领域显著优于现有技术,为加速科学创新提供了有力工具。
un?CLIP是一项创新研究,通过巧妙反转unCLIP生成模型来增强CLIP的视觉细节捕捉能力。中国科学院研究团队发现,虽然CLIP在全局图像理解方面表现出色,但在捕捉细节时存在不足。他们的方法利用unCLIP生成模型的视觉细节表示能力,同时保持与CLIP原始文本编码器的语义对齐。实验结果表明,un?CLIP在MMVP-VLM基准、开放词汇语义分割和视觉中心的多模态任务上显著优于原始CLIP和现有改进方法,为视觉-语言模型的发展提供了新思路。
这项研究介绍了RPEval,一个专为评估大语言模型角色扮演能力而设计的新基准。研究团队从法国里尔大学开发的这一工具专注于四个关键维度:情感理解、决策制定、道德对齐和角色一致性,通过单轮交互实现全自动评估。研究结果显示Gemini-1.5-Pro在总体表现上领先,而GPT-4o虽在决策方面表现出色,但在角色一致性上存在明显不足。这一基准为研究人员提供了一个可靠、可重复的方法来评估和改进大语言模型的角色扮演能力。
这篇论文介绍了LegalSearchLM,一种创新的法律案例检索方法,将检索任务重新定义为法律要素生成。研究团队构建了LEGAR BENCH数据集,涵盖411种犯罪类型和120万案例,并开发了能直接生成关键法律要素的检索模型。实验表明,该模型在准确率上超越传统方法6-20%,且在未见犯罪类型上展现出强大泛化能力。这一突破为法律专业人士提供了更高效、精准的案例检索工具。