FRAUDSkill：面向音频反欺诈的结构化冻结权重技能优化

arXiv 论文提出 FRAUDSkill，一种结构化冻结权重适配框架，用于音频反欺诈检测。它不修改底层音频语言模型，而是优化外部的技能程序、路由策略和决策规则，并结合结构化输出控制与验证引导的多路径推理。在 TeleAntiFraud 基准上，FRAUDSkill 获得 73.50% Macro-F1，比共享冻结模型基线高 31.96%，无效输出降至 1.94%。

此前的微调和提示方法把任务知识、约束与决策规则写进模型参数或人工维护的提示中，欺诈模式和标注策略变化时难以适配。FRAUDSkill 将适配层外置，在模型不变的前提下更新技能与规则，为需要固定标签空间和决策协议的部署场景提供了另一种演进方式。

该方法把服务场景识别、欺诈检测与条件式欺诈类型分类组织为结构化协议，把适配知识从模型权重中剥离到外部技能程序与路由策略，再用验证引导的多路径推理筛除不合规输出。因此模型保持冻结，规则可独立迭代，同时降低无效输出比例。

对反欺诈产品而言，模型可保持不变，仅靠更新外部技能与规则即可响应新欺诈模式和标注政策，降低重新训练与上线成本；结构化协议输出和验证机制可提升预测的可控性与合规性，减少无效结果对下游流程的干扰。

• 在现有音频反欺诈模型外挂一层可版本化的技能与规则库，用灰度发布验证新欺诈模式下的效果
• 将结构化决策协议封装为接口层，对下游输出场景、欺诈判定和欺诈类型三级字段
• 搭建验证引导的多路径推理模块，把无效输出率作为上线监控指标
• 把规则迭代与模型训练解耦，缩短标注政策变化后的适配周期

• TeleAntiFraud 基准的规模、语种和欺诈类型覆盖情况未在证据中说明
• 73.50% Macro-F1 与 31.96% 提升是否在真实业务分布上可复现尚不明确
• 外部技能程序与路由策略的人工维护成本未给出
• 冻结权重方案在欺诈模式剧烈变化时的适应上限未知