信用社服务组织(CUSO)CULedger宣布与IBM开展合作,基于区块链打造全新的服务,帮助各信用社为其会员提供更好的体验。
CULedger将与IBM共同使用许可型区块链技术创建一套不可变的审计跟踪系统,并基于该系统帮助各信用社打造全新的业务模式以及转变现有业务流程。两家公司还打算通过扩大新会员范围,进一步提升金融包容性。
信用社行业共为全球超过2.6亿名会员提供服务,流动资产超过1.7万亿美元,历来以卓越的客户服务而著称。采用区块链技术将有助于该行业在所有人群以及目前无法获得金融服务的中小型企业中保持良好发展势头。
通过创建一个许可型区块链网络,可以在所有信用社之间共享服务,CULedger将改进身份验证、对“了解你的客户”(know-your-customer,KYC)监管法规的遵从性、贷款和支付等各项服务,同时让消费者更便捷地进行需要身份验证的交互服务。
CULedger首席执行官兼总裁John Ainsworth表示:“建立有助于改善会员体验、同时使信用社受益的合作模式,是确保信用社行业实现下一波金融创新的理想途径。我们正在打造一个网络,所有会员都可以加入这个网络,并获得全新的服务,这将使信用社行业变得更具竞争力,同时也能更好地顺应市场的最新变化——会员对金融服务提供商的要求不断提高。”
此外,全球范围内的信用社会员还将获得CULedger颁发的MyCUID数字证书,这一证书符合索弗林基金会(Sovrin Foundation)提出的自我主权身份的隐私保密设计要求。MyCUID证书将帮助信用社为共享金融服务提供支持,使会员能够在在网的信用社之间进行交易。
Gartner公司最近公布的一份报告显示,预计到2026年,区块链技术为企业带来的潜在价值将增长到超过3,600亿美元,而到2030年将进一步飙升到超过3.1万亿美元。随着金融服务行业的不断发展,区块链技术不断被采用,以满足消费者对更安全、更快速和更高效交易的需求。
“信用社将能够以许可的、单独控制和透明的方式快速交换敏感数据,从而实现合作共赢。这种分散使用区块链的方法有助于让客户掌控自己的身份信息”。IBM区块链总经理Marie Wieck表示,“CULedger和IBM正在携手合作。”
作为企业区块链的领导者,IBM在金融服务行业拥有深厚的专业知识,并在大型成员生态系统中构建区块链网络方面积累了丰富的经验。IBM区块链支持真实的业务需求,同时满足网络中对问责制、隐私性、可扩展性和高安全性的要求。
CULedger区块链网络的初始服务将于2019年晚些时候向全球信用社开放。
CULedger总部位于美国丹佛市,隶属于信用合作社服务组织(CUSO),致力于通过其跨境全球分布式账本平台向信用社行业提供创新应用。CULedger通过成立由信用社和受信任的行业投资者组成的全国性联盟,率先实现了与全球自主数字身份相关的新发展,这将进一步增强信用社及其会员之间的信任。CULedger通过降低网络安全和欺诈相关风险、提升会员体验、简化内部流程、降低行政和运营成本,为信用社行业及其会员带来优势。
好文章,需要你的鼓励
DeepResearchGym是一个创新的开源评估框架,专为深度研究系统设计,旨在解决当前依赖商业搜索API带来的透明度和可重复性挑战。该系统由卡内基梅隆大学研究团队开发,结合了基于ClueWeb22和FineWeb大型网络语料库的可重复搜索API与严格的评估协议。实验表明,使用DeepResearchGym的系统性能与使用商业API相当,且在评估指标间保持一致性。人类评估进一步证实了自动评估协议与人类偏好的一致性,验证了该框架评估深度研究系统的有效性。
这项研究介绍了FinTagging,首个面向大型语言模型的全面财务信息提取与结构化基准测试。不同于传统方法,它将XBRL标记分解为数值识别和概念链接两个子任务,能同时处理文本和表格数据。在零样本测试中,DeepSeek-V3和GPT-4o表现最佳,但在细粒度概念对齐方面仍面临挑战,揭示了当前大语言模型在自动化XBRL标记领域的局限性,为金融AI发展提供了新方向。
这项研究介绍了SweEval,一个新型基准测试,用于评估大型语言模型在企业环境中处理脏话的能力。研究团队从Oracle AI等多家机构的专家创建了一个包含八种语言的测试集,模拟不同语调和上下文的真实场景。实验结果显示,LLM在英语中较少使用脏话,但在印地语等低资源语言中更易受影响。研究还发现较大模型通常表现更好,且多语言模型如Llama系列在处理不当提示方面优于其他模型。这项工作对企业采用AI技术时的安全考量提供了重要参考。
这项研究提出了"VeriFree"——一种不需要验证器的方法,可以增强大型语言模型(LLM)的通用推理能力。传统方法如DeepSeek-R1-Zero需要验证答案正确性,限制了其在数学和编程以外领域的应用。VeriFree巧妙地计算正确答案在模型生成的推理过程后出现的概率,作为评估和训练信号。实验表明,这种方法不仅能匹配甚至超越基于验证器的方法,还大幅降低了计算资源需求,同时消除了"奖励黑客"问题。这一突破将有助于开发出在化学、医疗、法律等广泛领域具有更强推理能力的AI系统。