CNET科技资讯网 6月6日 北京消息:今年5月22日,小米贷款30亿储架式ABS在上交所获批,这意味着,小米贷款的资产证券化(以下简称“小米贷款ABS”)发行将突破过去的审批制,实现一次注册多次发行。小米公司,是继阿里、京东之后,少数获准储架式ABS的互金公司。第一期募集额度为6亿元,由中信证券作为计划管理人及承销机构,于6月5日成功设立。业内人士表示,短短半年时间,小米贷款就发行了三期公募ABS,意味着小米贷款的业务发展已经进入快车道,或有望成为消费金融领域崛起的新兴力量。
小米贷款负责人陈曦表示,“消费信贷资产已逐渐成为交易所ABS市场的主流资产之一。小米金融顺势而为,依托小米生态体系,借助互联网和数据技术,对活跃用户的消费能力、习惯等进行数据挖掘与整合,目前业务已形成了以数据模型驱动的一整套底层风控能力,不良率控制在行业同类资产的较低水平,其优质的资产质量获得了市场投资者广泛认可。未来,小米贷款将通过ABS渠道向市场输出更多优质的消费金融资产。”
实际上,今年二季度以来,金融监管政策集中落地,市场资金面紧张的态势仍在持续。在这种状况下,市场资金寻找可投资的资产更为谨慎。业内分析人士指出,此次小米金融成功实践小米贷款ABS的备案制发行具有里程碑意义,不仅使得小米贷款业务进一步拓宽了融资渠道,而且还充分表明市场对小米贷款资产质量的认可。随着优质的资产能力持续输出,小米金融也将成为直接融资市场重要的推动者。
2016年10月,第一期小米贷款ABS在上交所挂牌发行,规模5亿元;2017年4月,第二期小米贷款ABS继续选择于上交所挂牌发行,规模5亿元,而此次,小米贷款ABS获批上交所30亿元储架额度后,于无异议函取得第二日即以较为理想的利率完成了6亿元的发行。在整个资金面偏紧的情况下,小米贷款ABS能连续以具有优势的价格成功发行,这背后得益于不断完善的数据风控体系。
小米金融依托小米生态链,包括小米手机端、小米商城平台、MIUI应用商店、用户论坛等多种渠道,对这些渠道的用户行为数据进行挖掘,并通过机器学习从行为习惯、消费方式、经济能力、诚信状况等维度综合判断用户的信用质量和对金融服务的需求程度。
目前,小米金融已经搭建了千万级别的数据特征空间,逐步形成了信用风险、还款能力、金融需求等数十个业务支撑的数据模型体系。在对用户贷前、贷中、贷后的动态跟踪过程中,利用“小米大脑”的大数据人工智能技术等,对数据进行迭代、更新与分析,不断完善用户画像,最终形成对用户贷款服务准入、定价和授信额度的判断。
陈曦指出,“数据模型技术的运用能够帮助我们提升贷款业务效率;小米生态链中用户数据的提炼能够让我们充分了解用户的金融需求;小米生态链与数据技术能力逐步形成闭环,这将是小米金融能够成为后起之秀的最大优势。”
据了解,从2015年9月起小米金融就开始布局贷款业务,包括为个人用户提供的信用消费贷款,以及在小米官网和电商消费场景提供的消费分期服务。目前,小米的信用消费贷款占比量较大,未来小米分期服务也将逐步扩大用户的准入,并拓展到更多的线上消费场景中。
目前,小米的信用消费贷款为在线审批、实时放款。用户可以通过小米金融或者小米贷款客户端在手机上操作申请、借款、还款。贷后管理方面,小米贷款也将借助自动化风控管理系统进行全流程的动态跟踪,不仅让用户享受到线上7*24小时额一站式自助消费金融体验,而且让风控也更加高效。
数据显示,截止到目前小米贷款已为用户发放超过百亿的贷款,2017年一季度发放的贷款总额实现了单季增长63%,有近5000万用户获得了小米贷款的预授信。
长远来看,庞大的用户群规模和金融需求以及完善的数据风控体系,将使小米贷款业务逐步扩大市场规模,成为消费金融、普惠金融服务市场创新的重要参与者。“未来,小米贷款也将凭借极致、安全的产品体验,带给用户更丰富的消费权益。”陈曦说。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。