澳大利亚联邦银行(CBA)引入了一项新功能,该功能使用紧急服务数据来确定其客户是否需要支持。
该银行表示,其新技术使用了定制的算法,监控来自官方紧急状况和天气警报系统的数据点,为受到自然灾害影响的客户提供支持。
澳大利亚联邦银行表示:“这款新的智能数据模型分析并解释了一系列数据源,可以帮助银行在自然灾害到来的当天准确地联系受到影响的客户,为他们提供帮助——无论他们身在何处。”
据称,该产品让银行能够在灾害状况发生的当天为客户提供一对一的支持。据称这项技术最近在珀斯(Perth)得到了应用,该银行在那个地区大约有8万名客户受到了该州森林大火的影响,澳大利亚联邦银行为他们提供了个性化的帮助。
澳大利亚联邦银行首席分析官Andrew McMullan博士表示:“自然灾害可能会突如其来,虽然我们无法阻止自然灾害的发生,但我们可以帮助通知客户,让他们做好准备,并为受影响的客户提供即时和个性化的支持。”
该产品是该行“客户参与引擎(Customer Engagement Engine)”计划的一部分。
“客户参与引擎”现在运行了大约400种机器学习模型,并实时吸收大约1,570亿个数据点。澳大利亚联邦银行的首席执行官Matt Comyn此前曾表示,该工具的用途是“协调活动,并以行动为客户提供服务。”
他表示:“就吞吐量而言,‘客户参与引擎’每天可提供大约3500万个决策,这些工作都是实时完成的,每个决策只需要花费不到300毫秒。”
“这种规模令人印象深刻,但实际上最重要的是我们可以通过服务为客户提供价值。”
本月初,澳大利亚证券和投资委员会(ASIC)在澳大利亚联邦法院针对CommSec和Australian Investment Exchange Limited(AUSIEX)提起民事处罚诉讼,指控其在提供金融服务的过程中,违反了《市场诚信法案》(Market Integrity Rules)、《公司法》(Corporations Act)和《 ASIC法案》的系统合规要求。
要求的程序涉及监管数据要求、交易确认要求、最佳执行要求以及客户款项对账等问题。
此外,澳大利亚联邦银行解释称,该程序仅与CommSec有关,涉及经纪人报酬、认股权证协议表格和自动订单处理过滤器。
据该行表示,这些问题是由于IT系统编码或者系统问题、人为错误和/或数据输入错误等问题造成的。该行补充表示,在这些问题中,造成了某些客户直接经济损失的只有经纪人收费过多的问题。
CommSec已经向受到此问题影响的客户支付了总计650万澳元,包括退款和其他赔偿。在本财政年度的上半年,澳大利亚联邦银行已经录得49亿澳元的法定税后净利润。
好文章,需要你的鼓励
来自香港科技大学和MiniMax的研究团队开发了SynLogic,一个可合成35种逻辑推理任务的框架与数据集,填补了AI逻辑训练资源缺口。研究表明,在SynLogic上进行强化学习训练显著提升了模型逻辑推理能力,32B模型在BBEH测试中超越了DeepSeek-R1-Distill模型6个百分点。更值得注意的是,将SynLogic与数学和编程数据混合训练不仅提高了这些领域的学习效率,还增强了模型的泛化能力,表明逻辑推理是构建通用AI推理能力的重要基础。
这项研究揭示了大型语言模型的惊人能力:只需两个特殊训练的向量,冻结的语言模型就能在一次计算中生成数百个准确词汇,而非传统的逐词生成。研究者发现,这种能力要求特定的输入排列方式,且生成速度比自回归方法快约279倍。这一发现不仅展示了语言模型未被充分探索的并行生成潜力,还为快速文本重建开辟了新方向。
腾讯混元团队提出的"ConciseR"是一种通过两阶段强化学习实现大模型简洁推理的新方法。研究遵循"先走后跑"原则,先确保模型具备准确推理能力,再优化输出简洁性。第一阶段通过改进的群体相对策略优化(GRPO++)提升推理能力,第二阶段通过长度感知的群体相对策略优化(L-GRPO)减少输出长度。实验结果显示,该方法在AIME、MATH-500等多个基准测试中既减少了输出长度(平均20%以上),又保持或提高了准确率,展现出高效率-高准确率的理想平衡。
这项由香港科技大学团队开展的研究首次全面评估了压缩对大语言模型Agent能力的影响。研究发现,虽然4位量化能较好地保留工作流生成和工具使用能力(仅下降1%-3%),但在实际应用中性能下降达10%-15%。团队提出的ACBench基准测试横跨工具使用、工作流生成、长文本理解和实际应用四大能力,评估了不同压缩方法对15种模型的影响。结果显示,AWQ量化效果最佳,蒸馏模型在Agent任务上表现不佳,大型模型对压缩更具韧性。研究还提出ERank等创新分析方法,为实际部署提供了切实指导。