万事达卡于2026年3月推出大型表格模型（LTM），专为银行卡交易数据设计，区别于语言模型，聚焦多维结构化数据关系，用于强化欺诈监控。该模型基于数十亿笔匿名交易数据训练，涵盖商户位置、授权流程、欺诈事件等，不依赖个人身份信息，降低隐私风险。LTM通过识别异常行为模式提升检测能力，已部署于内部网络安全系统，辅助自动化欺诈分析。技术由NVIDIA提供算力、Databricks负责开发，被定位为“洞察引
跳至内容
金融AI
万事达卡推出新型基础模型，强化欺诈监控能力 AI新闻 2026年3月18日
分享本篇报道：
标签： 人工智能（AI） 银行卡支付 金融科技（Fintech） 欺诈检测
分类： 金融AI
工作原理
万事达卡开发了一种大型表格模型（Large Tabular Model，简称LTM），区别于大型语言模型（LLM），该模型以交易数据而非文本或图像为训练对象，旨在应对数字支付中的安全与真实性问题。
该公司已基于数十亿笔银行卡交易数据训练了这一基础模型，并计划在未来将数据规模扩展至数百亿笔。训练数据集涵盖支付事件及其相关联信息，包括商户地理位置、授权流程、欺诈事件、争议退款（chargebacks）以及忠诚度计划活动等。万事达卡表示，在模型训练开始前，所有个人身份标识均已移除；该模型专注于解析用户行为模式，而非关注个体身份本身。
通过排除个人数据，该技术有效降低了可能影响金融服务业其他AI应用的隐私风险。海量且丰富的数据使模型能够识别出具有商业价值的模式——尽管缺乏用户级信息，万事达卡在近期的一篇博客文章中指出，其仍可实现这一目标。虽然匿名化处理会削弱某些对风险评估可能具有价值的信号，但万事达卡强调，只要采用足够庞大的行为数据量，便能弥补因数据丰富性下降所带来的潜在不足。
什么是LTM（大型表格模型）？
LTM的架构与大型语言模型存在显著差异：后者以非结构化输入为训练基础，通过预测序列中下一个“词元”（通常被误称为“单词”）来工作；而万事达卡的LTM则聚焦于多维数据表中各字段之间的关系，其本质更接近纯机器学习（Machine Learning），而非广义上的人工智能（Artificial Intelligence）。
该大型表格模型直接从原始输入中学习哪些关系具备可预测性，从而识别出那些未被预设规则覆盖的异常模式。
万事达卡将LTM描述为一种“洞察引擎”，可用于现有产品中，以增强现有工作流程。需注意的是，直接与客户交互的模型（如LLM）所面临的操作风险，与用于内部决策支持的模型存在明显差异。
LTM的技术基础设施由NVIDIA与Databricks共同提供：NVIDIA负责提供计算平台，Databricks则承担数据工程及模型开发任务。
我们将在何处看到LTM的实际应用？
在万事达卡内部，网络安全是首个投入实际部署该技术的领域。如同众多金融机构一样，万事达卡运营着多个欺诈检测系统，用以分析交易数据。这些系统在初始阶段及后续持续优化过程中均需人工介入，以定义何种行为可被视为可疑——例如交易频率突然激增，或同一用户短时间内在世界不同地区进行购物等。
来源：AI News