一周热榜

我们使用NeuGBI在相同的Revelio Lab数据集上复制了《生成性人工智能作为资历偏见技术变革》（哈佛商学院，2025）的研究，该数据集包含3亿条美国就业记录。<p>论文的发现是：人工智能对初级职位的影响显著高于高级职位（初级职位减少29.4%，高级职位减少5.8%）。NeuGBI自主得出了相同的结论。<p>NeuGBI发现了一点论文中没有提到的：在软件开发领域，受到影响的主要是初级（L2）职位，几乎减半，而不是入门级（L1）职位。<p>NeuGBI使用NeuG（一个支持多跳关系的图数据库）作为查询引擎，采用超图重构进行分析，并打包了探索性技能，供大型语言模型（LLM）调用，以逐步分解问题并深入探讨。<p>NeuGBI的关键能力是端到端的无偏采样——在3亿条记录上，复杂的多跳查询可以在几秒钟内返回，而不是几个小时。<p>博客文章：<a href="https://graphscope.io/blog/tech/2026/06/16/NEUGBI-BLOG.html" rel="nofollow">https://graphscope.io/blog/tech/2026/06/16/NEUGBI-BLOG.html</a> 原始论文：<a href="https://arxiv.org/abs/2603.10625" rel="nofollow">https://arxiv.org/abs/2603.10625</a>

在讨论架构之前，先明确一个具体的输出。<p>来自Bybit / Lazarus攻击的主要钱包得分为10/100，属于高等级，姿态升级，OFAC对Lazarus集团的归属直接出现在简报中。完整判决请见这里：<a href="https://credscore.us/v/o6wr--NrABo" rel="nofollow">https://credscore.us/v/o6wr--NrABo</a><p>该引擎是确定性的，评分路径中没有机器学习。每个信号都有明确的数值权重。结构模式检测包括：扇出分布、源返回流、循环资金、重复金额区间的再循环。对于确认的OFAC特别指定国家（SDN）匹配，严格制裁的最高得分为12，在管道中的三个独立点执行。相同的钱包始终产生相同的得分。每个输出都可以追溯到特定的链上活动，并附有书面理由。<p>支持五条EVM链：以太坊、Base、Arbitrum、Optimism、Polygon。得分范围为0到100（得分越高，风险越低），决策姿态（继续/审查/升级），结构化分析师简报。从地址到判决的分析时间少于15秒。<p>它不支持的内容包括：非EVM链（比特币、Solana、Tron）、大规模实时流监控、通过桥接进行深度跨链追踪。这些工作是Chainalysis Reactor和TRM Forensics更擅长的。CredScore是快速的初步评估，而不是深入调查。<p>如果您想独立验证引擎输出，有两个关于真实攻击者钱包的公开案例研究：<p>Bybit / Lazarus钱包树：<a href="https://credscore.us/case-studies/bybit-hack-lazarus-wallet-analysis" rel="nofollow">https://credscore.us/case-studies/bybit-hack-lazarus-wallet-...</a><p>Drift / DPRK钱包，仅因行为被标记：<a href="https://credscore.us/case-studies/drift-hack-dprk-wallet-analysis" rel="nofollow">https://credscore.us/case-studies/drift-hack-dprk-wallet-ana...</a><p>首次分析免费，访问 <a href="https://credscore.us/desk" rel="nofollow">https://credscore.us/desk</a>，无需信用卡。<p>我目前正在研究的最棘手的评分问题是如何在信号层面区分合法的高对手方熵与以“抽水者”形态的受害者扇入。该引擎目前将高对手方熵视为轻微的正面信号（更广泛的可观察行为通常是好的）。但对于抽水者钱包，数百个小额的不同入境对手方实际上是受害者，而不是合法的对手方多样性。我正在探索对手方价值分布和入境与出境比例作为区分因素，但信号形状与合法的批量支付重叠确实存在。我对其他人在无法依赖机器学习聚类的确定性风险评分系统中如何处理这种区分感到好奇。