奇富科技发布信贷场景专属视频评测任务FCMBench-Video-V1.0：从“看懂证件”到“看穿过程”

信贷领域的AI风控，正迎来一个关键的转折点。过去，我们谈论的是模型能否“看懂一张图”，比如识别一张身份证或营业执照的真伪。但现实中的欺诈手段早已升级，一张精心PS的静态图片或许能蒙混过关，可一旦换成一段手持拍摄的连续视频，破绽就藏不住了——人物动作是否连贯、光线变化是否自然、纸张翻页时的物理褶皱，这些动态细节里蕴含的真实性信息，极难被完美伪造。

正是瞄准了这一特性，奇富科技在发布了面向信贷场景的多模态评测基准FCMBench后，近日又推出了其视频评测任务FCMBench-Video-V1.0。这标志着AI评测正式从“静态识别”迈向了“动态研判”的新阶段，为衡量模型在视频理解上的能力，提供了一把可量化的标尺。

那么，从图片到视频，挑战究竟升级在哪里？核心在于时间维度的引入。视频带来的不仅是更多画面，更是信息在时间轴上的组织方式。这意味着模型需要具备一系列全新的复合能力：它不仅要识别出画面里有什么，还得理解这些内容在何时出现、是否重复出现、前后信息是否一致，以及在复杂干扰下能否保持稳定的判断力。这些能力直接关系到反欺诈链条中的关键环节，也是传统评测体系难以覆盖的盲区。

举个例子就很好理解。在一段视频里，如果同一个证件反复出现多次，模型得学会“去重”，不能数一次就算一次；如果连续出现了好几份文件，模型得会“对账”，比一比它们之间的信息有没有矛盾；更关键的是，如果最终判断存在风险，模型还得能回溯并指出“我是根据第几秒的画面下的判断”。这已经不再是简单的识别任务，而是一道考验记忆、推理和判断的综合题。

更值得关注的是，FCMBench-Video还创新性地加入了“防忽悠”测试，专门检验模型的反欺诈韧性。测试中，研究人员会在视频末尾故意添加“已核实通过”等误导性提示语，观察模型是否会因此忽略前面已经发现的风险线索。结果颇具启发性：不同模型在这项测试上的表现差距悬殊，且目前暂无通用的方法能完全规避此类误导。这一发现直接点明，视频AI模型的安全性需要专项测试和持续优化，为整个行业的技术迭代指明了关键方向。

在数据构建层面，FCMBench-Video延续了“来源于业务、服务于业务”的原则，并进一步平衡了真实性与合规性。它通过模拟真实拍摄过程，结合多种现实环境下的画质变化，构建了不同复杂度的视频样本。这种方法既保证了评测具备真实世界的挑战性，又避免了涉及敏感信息，不仅让评测结果更具参考价值，也为行业提供了一条可复制的数据构建路径。

从整体评测结果来看，当前主流视频多模态模型之间的能力差距依然显著。即便是表现最优的模型，在部分关键任务上也尚未达到可以直接应用于生产环境的水平。这恰恰说明，视频理解能力在信贷场景的落地仍处于早期探索阶段，同时也印证了FCMBench-Video具备极强的能力区分度，能够精准衡量模型的真实水平与提升空间，为企业技术选型和科研机构的研究提供了权威参考。

作为FCMBench评测体系的重要组成部分，FCMBench-Video延续了开放共享的理念，其配套的数据集与工具已同步开源。此举旨在汇聚更多科研力量与行业机构，共同参与信贷AI的能力建设，为技术最终落地应用搭建坚实的桥梁。

需要说明的是，当前版本的FCMBench-Video所聚焦的文档视频分析，仅仅是信贷场景视频分析任务的一个细分维度。其任务设计，提炼自奇富科技正在迭代打磨中的视频尽调AI产品。真实的AI视频尽调，对模型的要求远不止于此——它不仅要准确理解文档内容，更需要对企业经营现场进行全方位综合研判，涵盖厂房环境、生产设备、原料库存、工艺流程、人员作业状态等关键维度，进而推演企业的真实经营状况、偿债能力及潜在风险。这类复杂的业务诉求，对视频尽调AI模型的产业化落地提出了更高标准和全新挑战。

可以说，FCMBench-Video所构建的这套评测方法论，其价值在于为应对这些复杂场景筑牢核心技术底座。它的目标，是推动多模态信贷AI评测从“看懂一张图”，逐步升级为“理解一座工厂”，最终构建起一个覆盖信贷全业务流程的评测能力体系，真正实现评测基准源于业务场景，并最终赋能业务落地。