在信贷审批与小微风控场景中，银行流水是判断还款能力最直接的材料，但各家银行导出格式差异大，PDF水印、跨页表格、合并单元格与混排收支摘要长期依赖人工逐笔核对。金融AI实验室本期围绕流水核验做了一组实验性探索，目标是让模型在版式不确定的前提下完成结构化还原与风险点标注。
方法上分三层：版式层用轻量布局检测模型切分表头、交易明细与页脚，避免固定坐标模板失效；抽取层将交易行按“日期—摘要—对方户名—借方—贷方—余额”归一到统一字段，并对余额连续性做交叉校验，发现漏行或串页即回退重解析；语义层则基于摘要文本识别工资、经营回款、借贷往来、理财赎回等类别，标记整进整出、当日快进快出、月末冲量等可疑形态。
阶段进展：在内部构建的1200份多银行流水样本（覆盖18家银行、PDF与扫描件混合）上，交易行字段级准确率约97.2%，余额连续性校验可召回约九成漏行；异常形态标注与人工复核结论的一致率约85%，主要分歧集中在摘要语义模糊的个体经营往来。
下一步计划：一是补充对公流水与电子回单的联合核验，把发票、合同编号与回款记录做弱关联；二是将异常标注从规则阈值转为可解释的评分输出，便于审批人员追溯依据。
要点：
- 版式检测+字段归一+余额校验的组合，比单一OCR模板方案更耐受跨行格式差异；
- 语义层仅做线索提示，不直接替代授信判断，结论仍由人工复核确认。
评论