专骗老人的多轮对话诈骗，小模型Phi-4精准识破，还能装进手机实时预警！
Incremental Risk Assessment of Progressive Elder Financial Scams via Instruction-Tuned Small Language Models
📖 AI 总结
该研究针对老年人金融诈骗的渐进式风险识别问题，提出了一种基于对话轮次的累积风险评估框架。诈骗通常通过短信、电话等多轮对话逐步展开，从伪装身份、建立信任到最终诱导转账，风险信号分散在不同轮次中。研究构建了涵盖投资、慈善和技术支持三类诈骗场景的多轮对话数据集，每段对话包含2至8轮，并在每个累积阶段标注风险等级、风险分数、解释理由和安全建议。研究对四种小型语言模型（Phi-4、LLaMA-3.2、DeepSeek-R1和Qwen3）进行微调与评估，结果显示Phi-4和LLaMA-3.2在轮次感知的风险评估上表现更优，且模型体积紧凑，适合移动端和资源受限环境部署。该研究表明，结构化累积建模能够有效支持动态诈骗监测，为隐私保护型的端侧反欺诈应用提供了可行方案。
🔑 关键词速览
| Incremental Risk Assessment | 一种逐步更新风险评估的方法，随着新信息（如对话轮次）的出现而动态调整风险等级。 |
| Instruction-Tuned Small Language Models | 经过指令微调的小型语言模型，通过特定任务指令优化性能，同时保持模型规模紧凑，适合资源受限环境。 |
| Cumulative Turn-Based Risk Assessment | 一种基于对话累积轮次的风险评估框架，逐步聚合对话内容并在每一步重新评估风险。 |
| Multi-Turn Dialogue Dataset | 包含多轮对话的数据集，用于训练和评估模型在对话中逐步识别风险的能力。 |
| On-Device Fraud Protection | 在设备本地运行的欺诈防护机制，强调隐私保护，无需将数据发送到云端处理。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅