LLM：零样本在金融场景落地

（一）零样本学习的准确定义

零样本学习（Zero-Shot Learning）的核心定义是：在推理阶段，不依赖目标场景/类别的任何样本输入，仅通过预训练知识、跨域迁移或任务描述完成判断。

举个金融场景的典型例子：无历史用户数据（冷启动），此时用训练过通用信贷数据的LLM，直接通过新业务线商家的经营描述、资质材料判断风险等级——这才是零样本学习的核心应用：目标场景（商家）无任何样本，依赖模型的跨域知识完成推理。

（二）常见的3个误区

1. 误区1：零样本是小样本的附属场景纠正：零样本与小样本是并列关系，核心差异在于目标场景样本量——零样本是“0样本”，小样本是“少量样本（通常10-100个）”，如RAG，二者无依附关系。零样本解决“无数据可用”，小样本解决“数据不足”，适用场景完全不同。

2. 误区2：同任务不同客群直接复用模型是零样本纠正：如正常用户训练的信用A卡直接用于导流用户，本质是域适应问题（客群分布不同，但任务都是信贷风险判断），而非零样本。零样本的核心是目标类别/场景未见过，而非客群分布差异。

3. 误区3：零样本能生成新模型纠正：零样本不是造新模型，而是用现有预训练模型（如LLM）做无目标样本推理。模型本身未变，只是推理时不依赖目标场景样本，输出的是高于随机猜测的初步判断（如论文中零样本LLM的平均ROC-AUC 0.526-0.637），而非高精度可用模型。

（一）适用场景：解决无数据可用的问题

1. 业务冷启动：新信贷产品、新保险险种上线，无历史数据支撑传统模型（如评分卡），用零样本LLM做初步客群筛选，识别潜在低风险用户，为业务启动提供基础。

2. 边缘客群初判：小模型（如LightGBM）KS值低（<0.1）、无法精准判断的模糊客群（如无明确信贷记录的职业难识别，如自由职业者），用零样本LLM结合非结构化数据（如职业描述）做初步分类。

3. 低风险试错：营销场景的客群分层（如判断用户是否对某信贷产品感兴趣），低成本试错，无需严格风险控制。

（二）高风险场景谨慎使用

1. 核心决策场景：信贷批核、保险核保、反洗钱判定等涉及本金损失、合规风险的场景，零样本LLM解释性不稳定（自解释与SHAP值一致性最高仅57.2%）、结果稳定性差，不可独立决策。

2. 替代传统主轴模型：零样本LLM的分类性能远不及小模型（如LightGBM的KS值通常>0.3），且特征影响方向与小模型差异达50%-60%（AlMarri et al., 2025），无法替代评分卡、XGB等成熟模型。

第一步：先做场景分层，明确是否需要零样本LLM

落地前先回答两个问题：

• 目标场景是否无任何历史数据？（是→进入零样本评估）

• 场景是否为高风险核心决策？（否→进入零样本评估）

若目标场景有少量数据（可做小样本）或为高风险决策，直接放弃零样本，选择小样本微调或传统模型。

第二步：零样本仅做前置筛选，不做最终判断

零样本的核心价值是缩小人工/小模型的处理范围，而非直接输出结论：

• 信贷冷启动：用零样本LLM筛选出低风险候选客群（如模型判断风险等级A/B级），再由人工复核资质，最终决定是否授信；

• 保险新客准入：零样本LLM初步排除高风险明显客群（如模型判断职业为高危且无健康推断信息），剩余客群交由小模型+人工审核。

第三步：快速迭代，向小样本/传统模型过渡

零样本是过渡方案，而非长期方案：

• 积累目标场景样本：将零样本筛选后的客群数据（含后续表现，如是否逾期、是否赔付）沉淀为标注数据；

• 快速切换至小样本/传统模型：当样本量达到100+，用小样本微调LLM或搭建传统模型（如评分卡），替代零样本方案，提升准确性与可解释性。