LLM-BlockFE：长文本转风控特征的轻量新方案

某金融风控团队上线5个应用后，这套新模型把KS指标提升了0.02到1.56个百分点——别小看这个幅度，风控里KS差0.1，可能就把10%的高风险用户漏判，或是误伤8%的低风险客户。

旧方案的死穴
工业风控原来依赖结构化数据模型，但大量有价值信息藏在长文本里，比如交易备注、客户留言，这些信息不用太亏。但手动挖这些特征，太费人工，而且容易漏最优的。另一条路，实时调用LLM处理每一条文本？不行，现在线上服务时延卡得死，调用一次LLM可能就超了SLA，成本也扛不住——毕竟风控系统每天处理百万级请求，按API调用费算，那开销能吓退所有人。这两个矛盾卡了很久，直到这个新框架出来。

LLM-BlockFE的巧劲
核心思路是“离线做特征，在线直接用”。具体说，LLM先离线生成“可执行的特征程序块”，把长文本转成结构化特征的步骤，直接写成代码块，这些块是不可变的，拼起来就是整个特征提取程序。然后怎么选最好的块？原来的贪心搜索容易困在次优解里，比如加了A块后，加B块就死胡同，但其实换C块可能更好。这个框架改了搜索方式：加了块级回滚，靠深度校准的信用分配判断哪个块没用，能退回去换；还开了多个搜索路径，交错着来，还让不同路径共享已探索的方向描述，减少重复功夫。最后，拼好的程序直接冻住，上线后不用碰LLM，直接跑代码取特征，完美解决时延和成本问题。

效果硬不硬？
测试数据说话。四个数据集：两个公开的，两个私有，对比最强基线，AUC提升了0.0069到0.0358，幅度不小。线上的5个金融风控应用，KS提升0.02到1.56个百分点，这个是真落地的效果——上线后就有变化，不是实验室里的纸面数据。很多模型说的提升，一到真实业务场景就打折扣，这个是实打实测出来的上线表现。

这套方案解决的是真实落地的矛盾，没有为了效果牺牲部署成本，但它的适用范围还有待验证——现在的疑问是，这套框架只适合金融风控吗？如果换成电商的商品评论、用户咨询的长文本，能不能直接用？还是得重新调整搜索的参数？

素材来源：arXiv (LLM/多模态新论文) · AI情报、大模型、AI应用落地
查看报道原文