金融科技巨头 Stripe 周三在其年度 Stripe Sessions 用户活动上公布了一系列新产品发布。其中亮点包括:支付领域全新 AI 基础模型;由稳定币驱动的账户;全新的 Orchestration 解决方案,以及与芯片巨头 Nvidia 近期达成的迁移合作。
Stripe 的支付基础模型经过数百亿笔交易的数据训练,Stripe 信息主管 Emily Glassberg Sands 介绍说,因此它“捕捉到了每笔支付中数百个细微的信号”,这些信号是其他模型容易忽略的。
其中一个应用场景是改进欺诈检测。Stripe 之前的模型通过“逐步”减少信用卡测试攻击,在两年内将该类攻击降低了 80%。信用卡测试攻击是一种欺诈行为,攻击者尝试检测被盗信用卡信息是否有效,以便利用这些信息进行购物。
该公司宣称,其全新基础模型几乎在一夜之间就将大企业遭受此类攻击的检测率提高了 64%。
她补充道:“过去,我们无法充分利用海量数据。现在,我们可以。”
当然,Stripe 并不是唯一一家利用 AI 构建欺诈检测模型的金融科技公司。仅举一例,Sardine 将自身描述为专注于欺诈、合规及信用承保的 AI 风险平台,今年二月就由 Activant Capital 领投完成了 7000 万美元的 C 轮融资。
在接受 TechCrunch 采访时,Stripe 产品与业务总裁 Will Gaybrick 表示,Stripe 的通用模型采用自监督学习,因此能够自主发掘特征。
他说:“我们在机器学习中一再发现,通用模型的表现更胜一筹。其主要原因在于敏捷性。它在性能上更优,且能更好地适应欺诈模式的变化。”
此外,Stripe 周三还宣布计划通过与 Ramp、Squads 以及 Airtm 等初创企业合作,为各国企业引入由稳定币支持的多币种卡。借助这些卡片,各国企业将能够“首次在同一货币体系下运营”,据各公司称。
这一举措距离 Stripe 完成对稳定币平台 Bridge 的收购仅三个月。
借助 Orchestration 解决方案,Stripe 表示能更好地帮助企业通过仪表板设置、管理并优化多个支付提供商间的表现,无论企业是否使用 Stripe 作为支付处理器。
在此次活动中,Stripe 还提及了多家使用其结算产品的 AI 公司,包括 Windsurf、OpenAI、Anthropic、Cursor、Perplexity 以及 Eleven Labs。
近期,根据 Stripe 收入自动化主管 Vivek Sharma 的介绍,Nvidia 在六周内将其“全部订阅用户群”成功迁移至 Stripe Billing——而金融科技公司称通常此类迁移需要数月完成,这一过程创下了“Stripe Billing 迁移最快纪录”。(Nvidia 早前已是 Stripe Payments 的客户。)
Stripe 周三的其他公告还包括:
支持 25 种新支付方式,包括 UPI 与 PIX,使其总支付方式超过 125 种。
Klarna 将在今年夏天登录 Stripe 的消费者支付产品 Link。
Stripe Terminal 现已支持使用第三方硬件,首发伙伴为 Verifone。
Managed Payments —— 一项全新的商家记录服务,为企业进入新市场提供所需的一切,包括代为处理全球税务、欺诈防范、争议管理、履约等。
Smart Disputes 利用 AI 自动化处理争议管理。
Stripe Tax 服务现已覆盖 102 个国家,较去年的 57 个实现大幅增长,并实现了从监控、注册到收税、申报的全税务生命周期自动化。
Global Payouts 允许企业只需使用电子邮件地址即可向客户、外包人员及其他第三方完成支付。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。