SquareGen —— 基于 LLM 的信用评分

是什么

SquareGen 是一款信用评分产品，在贷款决策中使用经过微调的大语言模型，而非传统的梯度提升模型。它面向贷款机构和信用风险团队，帮助其在减少输入特征数量的同时，保持或提升预测表现和可解释性。

该产品似乎定位为面向生产环境的评分层，适用于在受监管环境中运营的银行、金融科技公司，以及中小企业贷款机构或消费金融贷款机构。其工作流程较为直接：客户提供带标签的历史数据，SquareGen 训练并部署模型，客户随后通过云 API 或自托管部署获取评分结果。

功能

• 基于 LLM 的信用评分模型 — 使用经过微调的 LLM 进行授信决策。公司声称，在某些用例中，相比梯度提升模型可获得更优的 AUC，同时所需特征更少。
• 低特征评分 — 减少所需输入项数量，从而降低申请人操作负担，并减少征信局或 API 数据采集成本。
• 内置可解释性输出 — 返回关键特征、基于注意力的信号、drop-one-out 分析，以及 AI 生成的风险说明，以支持对评分结果的解读。
• API 与灵活部署 — 提供通过 API 和 Python SDK 的托管云评分服务，同时支持自托管、本地部署和隔离网络部署，以实现更严格的数据控制。
• 客户专属模型训练 — 按客户分别微调模型，而不是基于共享模型。公司将此作为限制跨客户数据泄露的一种方式。
• 快速 PoC 流程 — 表示在签署 NDA 并收到带标签的 CSV 数据后，可在 72 小时内交付 PoC，这可能缩短模型评估周期。

实用建议

• 先在自有资产组合上验证 — 对于此类产品，应先基于批准率、坏账率、AUC 和校准度，与现有评分卡或机器学习模型进行对比，再调整策略阈值。
• 与治理团队共同审查可解释性 — 基于注意力的叙述在运营上可能有帮助，但信用、模型风险和合规团队应评估这些解释是否符合内部文档标准。
• 规划挑战者模型部署 — 一个务实的采用路径是先将其作为挑战者模型，与现有评分模型并行运行，再考虑用于主要授信决策。
• 检查数据可用性与稳定性 — 更少的特征可能带来优势，但团队仍应确认剩余输入项在不同渠道、地区和申请人细分中的持续可用性。
• 尽早评估部署适配性 — 如果你的环境对数据驻留或安全性有严格要求，应在采购阶段评估云端、自托管和隔离网络部署选项，而不是等到模型验证之后。

OpenClaw 技能

SquareGen 很可能适合在 OpenClaw 生态中作为评分和授信智能组件使用。可能的用例包括：由代理收集申请数据、校验必填字段、调用 SquareGen 执行推理，然后将结果路由到批准、人工审核或拒绝流程。另一个可能的工作流是信用分析师副驾驶，将评分输出、主要贡献特征和风险说明汇总为案例记录，供授信团队使用。

对于贷款机构、金融科技运营方和资产组合管理者而言，围绕 SquareGen 构建的 OpenClaw 技能还可扩展到时点评分之外。可能的示例包括：预筛选营销活动代理、策略模拟、不利行动文案起草支持、例外案件分流，以及基于评分变化或分群模式的持续资产组合监控。源页面并未提及原生 OpenClaw 集成，因此这些是推测性的工作流机会，而非已确认的产品能力。