先确认统计对象

披露材料区分身份核验、账户安全、支付与交易筛查等流程，并提及人工审核边缘案例。‘模型参与决策’可能覆盖多个节点，不能理解为每个决策都完全由模型自动做出。

引用数据时应带上时间范围、来源及‘潜在损失’这一限定词。把估算写成实际追回，会高估系统效果，也误导对风险规模的理解。

百余个模型可能承担不同任务

图像识别可找伪造凭证痕迹，语言分析可发现诈骗话术，行为模型可判断设备、地址与交易模式是否异常。各模型解决的问题不同，数量并非准确率指标。

有效评估需要误报率、漏报率、处理延迟、人工复核比例等数据。公开博客提供方向和自述规模，但不足以完成独立绩效审计。

实时拦截与用户体验的平衡

风控太松可能放过诈骗，太紧又可能阻断正常用户。跨国旅行、更换设备或罕见大额操作都可能触发异常。合理系统应提供分级响应，而不是把所有异常直接判定为欺诈。

人工复核、通知内容和申诉渠道决定用户能否理解并纠正误判。对平台而言，解释边界与可申诉性与拦截数字同样重要。

生成式诈骗仍需用户配合

深度伪造和自动生成文本降低了冒充成本。即使平台监测资金流，站外私聊、假网站和用户主动交出验证码的环节仍可能发生。入口核验和最小权限是平台模型难以替代的防线。

独立回拨熟人、从官方主页进入帮助中心、核对完整地址，比判断头像是否‘像真的’更可靠。

怎样持续跟踪披露

记录报告日期、统计口径和原文链接；下一次披露时查看指标定义是否一致。若模型数量增长而误报、损失或用户申诉没有相应解释，应继续追问。

平台风控可降低某些风险，却不能保证投资收益或资产绝对安全。个人账户仍需要密码、设备、授权与转账层面的常规保护。

还需区分统计上的‘阻断尝试’与用户体验上的‘免受损失’。一次钓鱼邮件被识别不表示攻击者没有换渠道继续联系同一用户；后续处置、举报与教育是否有效，同样值得跟踪。

如果未来报告提供第三方复核、统一定义和更细的误报数据，可以更有把握地比较年份。当前最稳妥的写法是准确转述来源及其自述性质。

不要把系统规模与个人安全之间画上没有证据的等号。