
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
GeoVerse融合几何潜在扩散模型与Wan2.2视频生成先验,并引入全局空间记忆机制,实现了跨视角一致、生成质量高且推理速度快的新视角合成,在多个数据集上大幅超越现有方法GLD。
本文解读TT-VidT,一种通过分离外观锚点与动作令牌、结合Diff Compression训练目标的视频自监督方法。在24种架构目标组合的受控实验中,仅TT3D与Diff Compression搭配才能进入强动作敏感区,且计算量比同类方法降低近一半。
Q&A Q1:Imprint Reader是什么? A:Imprint Reader是上海人工智能实验室团队开发的模型,通过SMaRT训练方法学会读取另一个模型冻结的权重更新,把参数层面的变化翻译成自然语言描述,判断这次更新到底注入了什么知识或诱导了什么行为习惯。 Q2:MetaEdit能做什么? A:MetaEdit能把Reader对目标行为的梯度信号迁移到原始模型上,不需要任何目标任务的训练数据,只用一句行为描述就能定向调整模型参数,已经在安全性拒绝率调节、数学推理风格转变和工具调用能力提升上验证过效果。 Q3:Imprint Reader读权重更新的准确率高吗? A:目前还不高,知识类目标的Pass@100只有2%,行为类目标是16%,说明自由生成描述的可靠性有限,但相比原始模型完全答不出来的0%基线,已经证明了权重更新的自然语言读取是可行的。
统一多模态模型能看也能画,理论上该会自我修正。本论文提出UMM-Reflection,用整条轨迹的强化学习联合训练诊断和修图能力,GenEval提升12分,且迁移到多个未训练基准,揭示RL提升的是选择可靠性而非新能力。