Revolut宣布成立 Revolut Research，這是一個隸屬於公司AI組織、專注銀行人工智能研究的獨立部門。它的任務不只是測試新技術，而是把針對銀行業的機器學習研究，轉化為能在實際金融服務中運作的產品能力。1013

換句話說，Revolut希望AI不再是為每項功能臨時拼裝的外掛，而是整個銀行平台共用的底層能力。Revolut AI主管Pavel Nesterov在相關報道中將這套方向概括為「build, don’t bolt on」——與其依賴第三方藍圖，不如自行建立適合銀行資料和業務的基礎模型。6

「自行打造」策略：由多套模型轉向一個共用底座

傳統做法可能是為反詐、信用評分、客戶互動和產品推薦各自建立模型、特徵表及資料管線。Revolut希望以一個內部開發、可重複使用的銀行模型骨幹，取代這種彼此分隔的系統，並讓不同團隊只需針對具體任務進行輕量調整。610

這種共用架構的預期用途包括：

• 信用評分及信用違約風險評估；
• 詐騙偵測及風險預警；
• 客戶分群與互動分析；
• 個人化金融產品推薦；以及
• 其他需要理解客戶財務行為的金融服務任務。610

對Revolut而言，重點不只是某一項指標有所改善，而是同一套模型能否理解較完整的客戶行為，再將這些資訊套用於多個受監管的決策和客戶體驗中。

PRAGMA是甚麼？

Revolut Research的核心研究項目是 PRAGMA，全名為 PRe-trained Banking Foundation Model，即「預訓練銀行基礎模型」。它不是以一般文字為主要輸入，而是面向多來源、帶有時間戳記的銀行事件歷史，建立一系列以Transformer為基礎的編碼器模型。1

公開研究顯示，PRAGMA採用自我監督式的遮罩建模（masked modelling）目標。模型在預訓練階段會從不完整的銀行事件序列中學習行為模式，之後再透過LoRA等較輕量的微調方式，適應信用、反詐或推薦等下游任務。13

已發表的PRAGMA模型家族涵蓋約1,000萬至10億個參數，讓模型可以因應不同的延遲、成本和精準度要求。1

訓練資料涵蓋多少客戶和國家？

資料顯示，PRAGMA的訓練資料包括付款、轉帳，以及其他產品使用和行為訊號等原始、具時間標記的銀行事件。相關描述指向約2,600萬筆客戶歷史、合共240億宗事件，資料範圍涵蓋111個國家。110

不同公開報道曾出現約2,500萬名用戶或約400億宗事件等其他數字，但本文採用PRAGMA研究論文及NVIDIA個案研究所支援的2,600萬筆客戶歷史與240億宗事件口徑。110

此外，將PRAGMA稱為「NVIDIA開發」並不完全準確。較嚴謹的說法是：這是Revolut與NVIDIA合作開發的銀行基礎模型，並在NVIDIA加速運算基礎設施上進行相關工作。1013

NVIDIA H100扮演甚麼角色？

NVIDIA的個案研究指出，PRAGMA使用NVIDIA加速運算，包括在Nebius AI Cloud上使用H100 GPU，並配合序列打包（sequence packing）及動態批次處理（dynamic batching），令大規模預訓練能在既定時間窗口內完成。10

不過，目前可見的資料並未獨立證實所使用H100 GPU的確切數量、互聯方式或整個叢集拓撲。因此，外界可以確認其運算平台和H100的使用背景，但不應把未獲來源支持的GPU數量或叢集配置當作已確定事實。1610

PRAGMA聲稱帶來哪些改善？

NVIDIA發布的Revolut個案研究，以既有生產環境基準作比較，報告以下結果：6

• 辨識信用違約風險的準確度提高 2.3倍；
• 偵測到的詐騙個案增加 65%；
• 詐騙警示的精準度提高 17%；
• 產品推薦的相關性提高 41%。6

這些數字反映Revolut及NVIDIA所披露的基準測試或生產環境比較，並不是經獨立機構審計、也不是涵蓋整個銀行業的普遍性結果。實際成效仍會取決於資料品質、任務定義、監管要求及部署方式。6

研究部門成立前，已有甚麼進展？

Revolut Research的成立，並非從零開始。公開紀錄顯示，PRAGMA的基礎模型研究已經發表，而NVIDIA早前的個案研究亦描述了Revolut如何嘗試以共同模型骨幹，整合原本分開處理的反詐、信用、客戶互動及推薦系統。16

因此，這次宣布更像是把既有的研究與開發工作正式制度化：Revolut以一個專責部門作為AI研究引擎，持續推進PRAGMA及其他銀行模型，並將研究成果導向實際部署。16

Revolut表示，該部門計劃發布研究成果、開放部分框架的原始碼，參與柏林GTC及ACM International Conference on AI in Finance（ICAIF），以及每季舉辦科學交流聚會。至於其他高階主管的具名說法及完整引述，現有高可信度資料未能逐一核實，應以Revolut原始發布內容為準。

與Revolut擴張有何關係？

這項AI計劃的企業背景，是Revolut正嘗試在超過40個市場、逾8,000萬名客戶的規模上，維持一致而成熟的風險管理和個人化服務能力。34

Revolut的法國實體近期亦在法國審慎監管與處置機關（ACPR）及歐洲中央銀行審批後，取得完整銀行牌照。該牌照先支援法國業務，並為其分階段拓展西歐市場提供制度基礎。34

這也解釋了為何Revolut把「一套共用模型」視為重要基建。當客戶數量、產品種類和監管責任同步增加，為每項功能各自維護一套機器學習系統，可能造成重複開發和管理複雜度。PRAGMA的目標，正是讓廣泛的財務行為資料先形成可共用的智能層，再以較低成本調整至不同業務。610

從實際角度看，Revolut Research要建立的不是一個單一的反詐工具，而是一套可重複使用的銀行AI能力：同一個以金融行為訓練的模型，可支援多種風險決策和客戶服務，而不必每推出一項產品就重新搭建一套完整的機器學習技術堆疊。610

Revolut宣布成立 Revolut Research，這是一個隸屬於公司AI組織、專注銀行人工智能研究的獨立部門。它的任務不只是測試新技術，而是把針對銀行業的機器學習研究，轉化為能在實際金融服務中運作的產品能力。1013

換句話說，Revolut希望AI不再是為每項功能臨時拼裝的外掛，而是整個銀行平台共用的底層能力。Revolut AI主管Pavel Nesterov在相關報道中將這套方向概括為「build, don’t bolt on」——與其依賴第三方藍圖，不如自行建立適合銀行資料和業務的基礎模型。6

「自行打造」策略：由多套模型轉向一個共用底座

傳統做法可能是為反詐、信用評分、客戶互動和產品推薦各自建立模型、特徵表及資料管線。Revolut希望以一個內部開發、可重複使用的銀行模型骨幹，取代這種彼此分隔的系統，並讓不同團隊只需針對具體任務進行輕量調整。610

這種共用架構的預期用途包括：

• 信用評分及信用違約風險評估；
• 詐騙偵測及風險預警；
• 客戶分群與互動分析；
• 個人化金融產品推薦；以及
• 其他需要理解客戶財務行為的金融服務任務。610

對Revolut而言，重點不只是某一項指標有所改善，而是同一套模型能否理解較完整的客戶行為，再將這些資訊套用於多個受監管的決策和客戶體驗中。

PRAGMA是甚麼？

Revolut Research的核心研究項目是 PRAGMA，全名為 PRe-trained Banking Foundation Model，即「預訓練銀行基礎模型」。它不是以一般文字為主要輸入，而是面向多來源、帶有時間戳記的銀行事件歷史，建立一系列以Transformer為基礎的編碼器模型。1

公開研究顯示，PRAGMA採用自我監督式的遮罩建模（masked modelling）目標。模型在預訓練階段會從不完整的銀行事件序列中學習行為模式，之後再透過LoRA等較輕量的微調方式，適應信用、反詐或推薦等下游任務。13

已發表的PRAGMA模型家族涵蓋約1,000萬至10億個參數，讓模型可以因應不同的延遲、成本和精準度要求。1

訓練資料涵蓋多少客戶和國家？

資料顯示，PRAGMA的訓練資料包括付款、轉帳，以及其他產品使用和行為訊號等原始、具時間標記的銀行事件。相關描述指向約2,600萬筆客戶歷史、合共240億宗事件，資料範圍涵蓋111個國家。110

不同公開報道曾出現約2,500萬名用戶或約400億宗事件等其他數字，但本文採用PRAGMA研究論文及NVIDIA個案研究所支援的2,600萬筆客戶歷史與240億宗事件口徑。110

此外，將PRAGMA稱為「NVIDIA開發」並不完全準確。較嚴謹的說法是：這是Revolut與NVIDIA合作開發的銀行基礎模型，並在NVIDIA加速運算基礎設施上進行相關工作。1013

NVIDIA H100扮演甚麼角色？

NVIDIA的個案研究指出，PRAGMA使用NVIDIA加速運算，包括在Nebius AI Cloud上使用H100 GPU，並配合序列打包（sequence packing）及動態批次處理（dynamic batching），令大規模預訓練能在既定時間窗口內完成。10

不過，目前可見的資料並未獨立證實所使用H100 GPU的確切數量、互聯方式或整個叢集拓撲。因此，外界可以確認其運算平台和H100的使用背景，但不應把未獲來源支持的GPU數量或叢集配置當作已確定事實。1610

PRAGMA聲稱帶來哪些改善？

NVIDIA發布的Revolut個案研究，以既有生產環境基準作比較，報告以下結果：6

• 辨識信用違約風險的準確度提高 2.3倍；
• 偵測到的詐騙個案增加 65%；
• 詐騙警示的精準度提高 17%；
• 產品推薦的相關性提高 41%。6

這些數字反映Revolut及NVIDIA所披露的基準測試或生產環境比較，並不是經獨立機構審計、也不是涵蓋整個銀行業的普遍性結果。實際成效仍會取決於資料品質、任務定義、監管要求及部署方式。6

研究部門成立前，已有甚麼進展？

Revolut Research的成立，並非從零開始。公開紀錄顯示，PRAGMA的基礎模型研究已經發表，而NVIDIA早前的個案研究亦描述了Revolut如何嘗試以共同模型骨幹，整合原本分開處理的反詐、信用、客戶互動及推薦系統。16

因此，這次宣布更像是把既有的研究與開發工作正式制度化：Revolut以一個專責部門作為AI研究引擎，持續推進PRAGMA及其他銀行模型，並將研究成果導向實際部署。16

Revolut表示，該部門計劃發布研究成果、開放部分框架的原始碼，參與柏林GTC及ACM International Conference on AI in Finance（ICAIF），以及每季舉辦科學交流聚會。至於其他高階主管的具名說法及完整引述，現有高可信度資料未能逐一核實，應以Revolut原始發布內容為準。

與Revolut擴張有何關係？

這項AI計劃的企業背景，是Revolut正嘗試在超過40個市場、逾8,000萬名客戶的規模上，維持一致而成熟的風險管理和個人化服務能力。34

Revolut的法國實體近期亦在法國審慎監管與處置機關（ACPR）及歐洲中央銀行審批後，取得完整銀行牌照。該牌照先支援法國業務，並為其分階段拓展西歐市場提供制度基礎。34

這也解釋了為何Revolut把「一套共用模型」視為重要基建。當客戶數量、產品種類和監管責任同步增加，為每項功能各自維護一套機器學習系統，可能造成重複開發和管理複雜度。PRAGMA的目標，正是讓廣泛的財務行為資料先形成可共用的智能層，再以較低成本調整至不同業務。610

從實際角度看，Revolut Research要建立的不是一個單一的反詐工具，而是一套可重複使用的銀行AI能力：同一個以金融行為訓練的模型，可支援多種風險決策和客戶服務，而不必每推出一項產品就重新搭建一套完整的機器學習技術堆疊。610