在金融场景里，模型准不准只是门槛，能不能说清楚为什么拒贷、为什么给这个额度，才是能否上线的关键。金融AI实验室近期围绕中小微信贷审批做了一轮可解释性试点：在原有梯度提升模型之上，引入特征归因与反事实解释两条链路，把“模型分数”转成业务人员可读的理由句，并保留逐条可追溯的输入凭证。
进展与数据：
1）在约 8 万条历史样本上做回溯，特征归因与业务专家判断的一致率约为七成，主要分歧集中在多头借贷与流水波动的权重分配；
2）对拒贷样本生成反事实建议（如补充近 6 个月流水、降低现有负债率）后，人工复核通过率小幅上升，且未观察到风险指标恶化。
下一步计划：把解释链路接入审批工作台，试点人工复核与模型解释不一致的样本自动回流，用于特征口径与阈值迭代；同时评估解释文本在不同客群上的稳定性，避免对特定群体给出同质化理由。
评论