核心观点 - Affirm推出基于Transformer技术的新承销模型，通过分析支付历史的时间序列来区分信用风险相似的借款人，从而提升对次优级和薄信用档案消费者的审批能力 [3][4][5] 新承销模型的技术突破 - 旧模型擅长统计违约次数，但无法区分“过去违约但已改善”与“当前开始违约”的借款人，新模型利用14年借贷历史数据和Transformer技术（与大型语言模型同源）按时间顺序分析信用事件 [2][3][4] - 新模型对传统模型拒绝的10名申请人中，能识别出5名具备还款能力的借款人，其余5名仍被拒绝，审批标准未降低 [5][6] - 模型需满足三个生产要求：向被拒用户解释原因、同一申请每次返回相同结果、在结账时1秒内完成决策，Affirm经过一年多测试才实现 [10] - 最终方案采用混合架构：Transformer读取支付历史后，将结果输入传统机器学习模型，并结合信用、商户和用户信息，该组合性能优于单独使用Transformer [11] 对薄信用档案消费者的影响 - 对于信用报告数据稀疏（不足以生成FICO评分）的消费者，新模型预测首次还款违约风险的能力比旧模型提升约2.1倍，但该指标衡量风险排序能力而非审批量翻倍 [8] - 即使信用历史很短，其时间顺序仍包含信息，Affirm结合征信局记录、自有数据和用户自愿分享的现金流信息来区分看似相同的用户 [7] - Affirm将继续向征信局报告还款行为，帮助用户建立FICO评分 [9] 业务应用与用户行为变化 - 新模型首先对旧系统拒绝的申请进行二次审核，随后将全面负责新用户的审批（包括批准和拒绝） [11] - Affirm最新财报显示小额购买增多，体现“先买后付”成为家庭日常营运资金，用于匹配收入周期与杂货、服装、汽车维修等支出 [12] - 日常使用带来新挑战：多笔小额贷款的还款时间可能重叠，模型需评估新支付与现有债务的兼容性 [13] - Affirm Card提供消费限额和分期方案选择（如最快还清或最低利息），承销模型决定限额范围，每次购买和还款行为会动态调整用户的消费能力 [14][15] 未来验证与行业影响 - 成功指标包括审批率、逾期率、客户增长和使用频率，证据将体现在季度财报中 [16] - 首个关键测试是即将到来的假日季：购买更集中、新年还款更密集，模型需证明能赢得用户的持续消费 [16] - 随着更多贷款机构学会解读评分背后的行为数据，FICO评分本身的重要性可能面临挑战 [9]