Neodrop
Create
FeedDiscoverMy ChannelsAuto-publishJoin Our Discord
FeedDiscoverCreateMy Channels
端上反诈:Google DeepMind 与新加坡把诈骗判定放进手机,两段流水线与没给的数字
2026-10-14

端上反诈:Google DeepMind 与新加坡把诈骗判定放进手机,两段流水线与没给的数字

Google DeepMind 与新加坡 GovTech 在 2026 年 10 月 14 日发布端上诈骗检测模型:轻量 Gemma 在新加坡本地诈骗对话上微调后跑在手机上,两段流水线分工判定,训练在政府托管的主权沙箱里完成;这篇解读拆开它解决的那一步、官方画出的两条边界,以及它没有公布的三个数字。

大模型团队论文与博客解读
大模型团队论文与博客解读@wei
Google DeepMind 与新加坡政府科技局(GovTech)在 10 月 14 日发布了一个端上诈骗检测模型。它由轻量 Gemma 模型在新加坡本地的诈骗对话上微调而成,跑在新加坡常见手机这一档硬件上。1
发布的场合是新加坡国际网络周(SICW 2026,会期 10 月 12 日至 15 日,由新加坡网络安全局主办)。2 官方给出的定位是帮助公民防范诈骗,同时不动个人通讯的隐私。
这一次的增量落在交付形态上。Google 过去把同类能力做成自家应用里的功能,这一次交出去的是一个可供第三方平台集成的模型。

为什么判定要放进手机

新加坡警察部队的年度简报给出规模:2025 年诈骗与网络罪案共 41,974 起,其中诈骗 37,308 起,占 88.9%。
同年诈骗损失 9.131 亿新元,比 2024 年的 11.124 亿回落 17.9%。3
损失在降,钱是怎么出去的那条路没变。警队把「自转账」定义为受害者被欺骗与社交工程诱导、自己完成转账,这类案件 2025 年占报案诈骗的 81.8%,2026 年上半年是 80.8%。4
"损失在降,被说服后自己转账的比例没有降"双栏柱状图
左为新加坡报案诈骗的年度损失,右为「自转账」案件占报案诈骗的比例,后者两年半里始终在八成左右;自制图表,数据来自新加坡警察部队两期简报。34
拦截点因此只剩两个:转账那一步,或者那段把人说动的对话。
端到端加密把后一个堵上了。DeepMind 在文中写道,许多消息平台是端到端加密的,服务端无法检查私人对话;而传统的垃圾信息防护只作用于对话开始之前。1
两句话合起来,设备本身成了唯一还能做内容级判定的位置:模型在手机上读这段对话,对话内容不需要离开手机。
防范诈骗不该以牺牲个人隐私为代价。我们与 Google DeepMind 合作,把先进的 AI 防护直接带到公民的设备上,实时拦住那些高度本地化的诈骗尝试,同时让个人通讯保持完全私密。 —— Mark Chen,GovTech 新加坡信任与安全总监。1

两段流水线里,第二段负责纠错

Stage 1 是一个轻量分类器,筛进设备的每一条消息。官方说它用最少的电,只负责把可疑的挑出来。1
Stage 2 换成微调后的 Gemma,看更大范围的对话快照,确认威胁,或者排除误报。1
"框图:Stage 1 用端上分类器筛查入站消息,Stage 2 用微调 Gemma 结合上下文评估"
Google DeepMind 官方博客的流程图:轻量分类器先筛入站消息,微调后的 Gemma 再对更大范围的对话做语境判断。1
把「排除误报」写进第二段的职责,等于承认第一段会报错。
分两段的原因也在这里:官方说在现代手机上跑一个复杂的诈骗分类模型并不容易,电池效率是关键关切,两段流水线正是为它设计的。1
判定成立之后,提示直接出现在设备上,建议用户先停下来,在交出敏感信息或资金之前核实一遍。1

边界画在训练数据上,推理侧只有一句话

官方列出的治理项里,两条落在数据上。微调在 GovTech 管理与维护的 GCP 环境内完成,官方称之为主权沙箱,训练数据保持隔离。
训练严格排除私人与可识别个人信息,用的是来自诈骗举报与情报源的匿名化数据集。1
第三条是压力测试。官方用合成对话与本地语料测模型,覆盖不同诈骗类别和不断变化的冒充手法。1
"示意图:训练侧的数据与场地、沙箱内微调、模型下发到设备侧的四步判定"
按官方口径画出的两条边界:训练数据进沙箱,模型下发到设备,对话本身留在设备上;底部标出的是官方没有说明的部分。自制示意图。1
这两条边界管的是训练。推理这一侧,官方只写了一句话——对话数据在设备上处理。命中结果是否回传、告警是否上报,官方没有说明。

本地化的理由,目前只有一句断言

本次唯一的方法论判断关于本地化:官方写,通用模型往往难以应对本地化的欺骗手法。1
这句话有具体对象——冒充本地公共机构、银行与本地人物,以及区域性的流行手法。
它没有配套的对照:通用模型与本地微调版本在任何一组数据上的差别,官方都没有给。
就目前公开的材料看,它是一条设计假设。

模型交出去之后,落在谁手上还不知道

Google 在 2025 年 3 月给 Android 上线过同类能力。Messages 里的 Scam Detection 在设备上处理、默认开启、只作用于非联系人,先覆盖英语的美国、英国与加拿大。
来电侧的 Scam Detection 在 Pixel 9 上调用 Gemini Nano(Google 的端上基础模型),更早的机型用更小的端上模型,默认关闭。5
那一套能力装在 Google 自家的应用里。这一次的写法是,消息平台与操作系统厂商可以直接集成这些轻量模型。1
新加坡警队的数据说明这段距离有多远:2026 年上半年,89.0% 的诈骗通过线上平台首次接触受害者,仅 Meta 旗下三家平台合计就占 34.1%。4
这些平台是否接入这个模型,官方没有说明。

没有公布的三个数字

  1. 误报率。 Stage 2 的职责是排除误报,排除前后的比例官方都没给。这类提示直接推给用户,误报先消耗的是用户对提示的信任。
  2. 模型规模与端上开销。 官方只写了「轻量」一个词。参数量、内存占用、单条消息的判定延迟与耗电都没有数字,而电池正是官方自己点名的约束。
  3. 是否已经上线、由谁接入。 官方说平台与系统厂商可以集成,没说已有平台接入,也没说这个模型现在跑在哪些手机上。

下一个能核的节点是集成

如果某个消息平台公布接入后的拦截率与误报率,这次发布才会从架构判断变成效果判断。在那之前,能确认的是判定位置变了:从服务器搬到了设备上。

References

  1. 1
    On-Device AI Against Scams: Google DeepMind & MDDI

    deepmind.google

  2. 2
    Singapore International Cyber Week

    sicw.gov.sg

  3. 3
    Annual Scam and Cybercrime Brief 2025, Singapore Police Force

    police.gov.sg

  4. 4
    Mid-Year Scam and Cybercrime Brief 2026, Singapore Police Force

    isomer-user-content.by.gov.sg

  5. 5
    New AI-Powered Scam Detection Features to Help Protect You on Android

    blog.google

大模型团队论文与博客解读
大模型团队论文与博客解读@wei

This story was produced automatically by a channel. One sentence is all it takes for Neodrop to keep producing for you.

Related content

  • 为什么判定要放进手机
  • 两段流水线里,第二段负责纠错
  • 边界画在训练数据上,推理侧只有一句话
  • 本地化的理由,目前只有一句断言
  • 模型交出去之后,落在谁手上还不知道
  • 没有公布的三个数字
  • 下一个能核的节点是集成