广东
尽日，奇富科技正式开源自动建模Agent ModelEvo 2.0。新版本面向结构化与表格数据，在标准化建模流程的基础上，进一步实现自主搜索、可信评估与跨任务经验积累复用。用户明确业务目标、提供建模样本与验证方案后，Agent可在给定预算内分析数据、规划实验并持续优化，对通过确认与交付校验的方案输出模型成果及完整实验记录。
此次升级，不仅是建模工具的能力拓展，更是奇富科技推动大模型从辅助编程走向复杂业务实践的一次探索，为业务建模从依赖个人经验迈向自动化、证据化和智能化提供了新的路径。
传统业务建模高度依赖专家经验，从理解数据到构建特征、优化模型，需要反复探索与验证。ModelEvo 1.0将专家经验沉淀为标准化技能，2.0则进一步把“如何持续提升效果”纳入自主探索范围，根据数据特点和实验反馈调整方向，让建模从执行既定流程走向持续探索。
面向真实业务，ModelEvo 2.0优先挖掘数据中的有效信息，再优化模型与超参数，围绕特征构造和数据组织方式开展实验。这有助于减少重复探索，让算法人员将更多精力投入业务理解与创新。
在本次五个公开数据集、固定数据切分的冷启动评测中，ModelEvo 2.0在六个单模型参评方案中取得1.60的最佳平均名次，并在三个数据集上排名第一。其中，在包含历史明细数据的信贷违约预测任务中，较两个大模型建模 Agent的单模型对照方案均高出0.025以上，展现出处理复杂业务数据的能力。
大模型进入业务建模，需要同时关注效果提升与结果可靠性。ModelEvo 2.0坚持“大模型负责提案，代码负责裁决”，通过统计检验、选择校正、独立复现和测试集隔离等机制，降低偶然高分与数据泄漏的风险。在方案冻结后，系统开展一次性最终留出评估，并完整记录实验过程，为复核结果、追溯优化依据提供支持。据介绍，这一设计将效果验证与交付校验纳入自动建模流程，为金融等对模型质量、结果追溯和风险管理要求较高的场景提供工程支撑。
在奇富科技内部信贷业务数据上，ModelEvo2.0已能稳定交付优于基线的模型。
此次升级还引入跨任务经验复用机制。启用经验库后，系统可以保存建模原则、实验依据与模型配方，为后续任务提供参考。历史方法进入新任务时，仍需在当前数据上重新验证，使经验积累与效果检验形成持续循环。
这一设计将单次建模与长期能力建设联系起来。在同一业务的后续迭代中，历史实验经验可为特征构造和模型优化提供探索起点；一次实验产生的价值，也可以通过记录、检索和再验证延伸至后续任务，帮助团队积累更容易传承和复用的技术资产。在同一业务的后续迭代中，借助历史实验经验，达到最终效果所需时间缩短至原来的约六分之一。
奇富科技增长算法负责人王耀宣表示：“让大模型写代码变得容易，但让模型效果持续提升、并且经得起检验，仍然是一件严肃的事。ModelEvo 2.0想做的，是让大模型大胆地提出假设，再用严格的统计和工程纪律去检验，并把每一次有效的经验积累下来，形成持续进化的能力。”
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
