
据融360的用户调研发现,高达9成以上的用户在贷款之前并不了解自己的信用状况。由于信用卡的普及,用户哪怕有一个月没有及时偿还贷款,都有可能成为一个信用瑕疵,进而有可能会影响到未来的贷款能力和贷款成本。
随手查询自己的信用状况,是融360全新版APP中“金融查询”功能中的一个。使用这个新版APP,可以查房贷利率、税费、理财收益。还可以在海量的贷款、信用卡和理财产品中,根据不同的需求进行比较查询,甚至手机申请购买金融产品。
“过去只有在银行开门营业的时间用户才能去办理业务,3年半前融360将贷款的申请服务搬到线上,用户可以坐在电脑前搜索比价。现在用户躺在沙发上和床上,用手机就能随时进行智能化的金融决策,接受金融服务。”融360联合创始人、CEO叶大清表示。
这是一款全面整合知识讯息、工具、比价服务和产品购买等各项主要功能的超级金融APP。融360将其定位为“随身金融专家和超市”。在日前的产品公布会上,叶大清表示,融360在某种程度上已经转型为一家移动互联网金融平台。目前,在融360的所有业务中,来自移动端的流量约为70%,贷款申请金额的50%以上来自移动端。
目前在融360新版APP上,用户可以进行搜索比价的信用卡有10000多张,理财产品80000个,贷款产品70000款。解决好用户通过移动设备进行快速产品比价决策,随后进行申请,这是融360首先致力于解决的用户痛点。
结合大数据风控的移动布局,是融360今年的一个战略重点。新版的超级APP是公司基于过去一年半的经验,充分分析用户基础上的结果。融360第一个APP在2013年底在应用市场上架。截止到目前,公司分别推出了多款适用不同具体业务的APP,例如融360贷款、房贷助手、卡管家、我要办卡、理财大全和我要接单等。迄今已累积了1000多万的申请用户。
目前市面上有非常多的理财、网贷和信用卡应用服务,然而核心功能为用户比价搜索金融产品的应用却非常少。叶大清表示,这是因为前端介面的简单背后,需要对接的大量金融线下资源,强有力的运营能力,以及基于大数据的风控技术,这些都需要一段时间的艰苦积累。
“就像淘宝、去哪儿本身的应用场景就是比较产品内容、质量、价格,融360做的也是比较金融产品的场景,老百姓有这个需求。我们通过移动端提供多样和方便的选择,帮助用户来快速决策。”叶大清说。
虽然贷款产品相对于其他商品来讲频次不算高,“融360”移动应用的用户打开率和粘性表现却很明显。每天单个用户平均打开次数3-5次。每次使用时长3-10分钟及以上的占一半以上。这一方面体现出移动应用在金融服务方面的便捷和高效,另一方面则可以看到年轻一代接受金融服务的习惯正在发生变化。
“跑一次银行的时间,可以在应用上完成N个金融需求了。”这是用户的普遍反馈。融360的数字表明,移动端的用户较PC端用户更年轻,信用贷款占比更高,消费贷款占比更高。目前移动用户绝对数量排名前五的城市为:上海、广州、深圳、北京和天津。使用移动端申请贷款和信用卡的主流消费者人群是白领阶层,以个人消费贷和小额贷款为主,申请金额70%集中在十万元以下。而华东、华南地区中小企业和个体工商户在移动端申请经营贷的比例,普遍高于其在PC端的比例。
叶大清透露,下一步APP会开通一个重要的功能,即直接用手机快速申请小额贷款。这个名为“极速贷”的信贷服务将由合作机构提供贷款资金,针对特定快速小额贷款不需要任何人工介入,申请-审核-放款完全在线实现。利率则依据借款人在融360的大数据风控系统的评分而定。最快10分钟审批、24小时放款。“这是基于信用大数据的创新产品,我们在网页端已经进行了尝试,相信很适合在移动端发力。”
好文章,需要你的鼓励
这项由IIT马德拉斯与BITS Pilani联合发布的研究(arXiv:2604.21523,2026年4月)构建了FOCUS元评估基准,系统检验了评审型视觉语言大模型的可靠性。通过向超过4000个图文和图像样本中注入40种受控错误,研究发现顶尖评审AI的检测失败率在某些条件下超过50%,物理合理性和视觉细节类错误尤为难以被发现,两两比较是最可靠的评审范式。
这篇由Sylph.AI发布的技术报告提出了一套两层自动化框架,核心思想是让AI自动优化自身的运行脚手架,再进一步让AI学会如何更高效地做这种优化。内层的脚手架进化循环通过工人代理、评估代理和进化代理的协作,自动迭代改进单个任务的运行配置;外层的元进化循环则在多个任务上训练,学习一套能快速适应任何新场景的通用进化蓝图,从而彻底消除人工脚手架工程的需求。
这篇由英伟达等顶尖机构联合发表的论文提出了一种名为Voyager的新型智能体。研究团队以《我的世界》为实验平台,通过引入自动课程规划、技能库存储以及迭代反馈机制,成功让大语言模型主导的AI在完全无人类干预的情况下,实现了在复杂开放世界中的自主探索与终身学习。实验数据表明,Voyager在物品收集、探索范围及技能解锁速度上均呈现出远超传统方法的压倒性优势,为未来开发能够自主解决真实物理世界复杂任务的通用人工智能奠定了关键的理论与实践基础。
这项由伊利诺伊大学、斯坦福大学、英伟达和麻省理工学院联合发布的研究(arXiv:2604.25917,2026年4月)提出了RecursiveMAS框架,让多个异构AI模型通过轻量级模块RecursiveLink在内部信号层面直接传递"潜在思想",形成循环协作,彻底绕开了传统多AI系统依靠文字传话的低效方式。配合两阶段内外循环训练策略,整个系统只需优化极少量参数,就能在数学、科学、代码生成和搜索问答等9个基准测试上取得平均8.3%的精度提升,同时实现最高2.4倍推理加速和75.6%的token用量削减。