FiMI Banking: A Sovereign Model for Indian Retail Banking
FiMI Banking：印度零售银行主权模型
🧭 Agent 后训练与工具使用优化
NPCI AI Research Team
用偏好优化提升安全拒答，用可验证奖励RL提升多轮工具调用与token效率
📌 工作参考价值
- 对客服/导购 Agent，把 out-of-scope/敏感场景拒答 单独用 preference optimization 做后训练，能显著提升安全行为：银行场景从 52% 到 80%。电商里价格承诺、优惠券规则、保险理赔等高风险回答也可复用。
- 多轮工具调用任务用 RLVR（verifiable reward） 而非只靠 SFT/偏好优化：订单状态查询、改地址、优惠核销等可自动校验的任务，既能提升 edge-case 和顺序敏感任务成功率，又能减少 29% token，直接降低 Agent 调用成本与延迟。
- 业务 Agent 上线前，可搭建类似 可控评测环境：从内部文档构建结构化 ground truth + 合成用户背景 + 真实工具接口，用来评估模型是否乱调工具、乱拒或泄漏敏感信息。
- 偏好优化与 RLVR 互补：前者管回复层面安全，后者管多轮工具执行；业务 Agent 后训练可以考虑两阶段组合。
动机：银行客服 Agent 需要既回答产品问题，又能在多轮对话中安全调用工具，但通用 LLM 常出现信息不接地、工具误用、敏感场景乱答。
方法：构建 FiMI Banking，一个印度零售银行受控环境，包含审核过的银行文档、结构化 ground truth、合成客户背景和银行工具。重点对比两种后训练：偏好优化（preference optimization）优化回复级行为；可验证奖励强化学习（RLVR）优化多轮工具使用。
结果：偏好优化将 out-of-scope 拒答率从 52% 显著提升到 80%；RLVR 将 edge-case 表现从 0.509 提升到 0.718，顺序敏感任务从 0.590 提升到 0.679，同时生成 token 减少 29%。两种方法互补，前者负责安全性，后者负责工具执行可靠性。