电信诈骗和网上情感诈骗正在成为全球性的社会问题。和"你中了大奖"这种一次性骗局不同，这类诈骗通过多轮对话逐步推进——先建立信任，再引导转账，每一步都有精心设计的心理操纵。
圣母大学（University of Notre Dame）这篇 PreScam 论文回答了一个关键问题：AI 能不能在对话早期就识别出这是诈骗，而不是等受害者已经被骗了才事后分析？
数据是怎么来的
PreScam 从用户提交的真实诈骗报告中提取数据：
- 原始报告：177,989 份
- 过滤后的对话诈骗实例：11,573 个
- 覆盖 20 种诈骗类别
每个实例按照"诈骗杀伤链"（scam kill chain）分层结构化，并在每个对话回合标注了诈骗者的"心理行为"和受害者的"响应"。
这个数据规模和质量在诈骗研究领域算是头一份。过去的工作要么用合成数据，要么只做静态检测（判断一条消息是不是诈骗），PreScam 是第一个关注诈骗进程的基准。
两个测试任务
- 实时终止预测：根据当前对话，判断是否即将进入"终止阶段"（即诈骗者准备收网、受害者准备转账的关键时刻）
- 诈骗者行为预测：预测诈骗者下一步会采取什么心理操纵手段
结果
关键发现：监督编码器（supervised encoders）在实时终止预测上远超零样本 LLM。
这意味着：
- 现有的通用大模型在没有专门训练的情况下，不太擅长识别诈骗进程
- 但用专门训练过的模型（哪怕不是大模型），效果可以很好
- 诈骗者行为预测即使在强 LLM 上也"只是中等成功"——连 GPT-4o 这个级别都做不到很好
为什么这事重要
全球每年因电信诈骗损失的金额以百亿美元计。如果能在对话早期（前几轮）就识别出诈骗信号，可以大幅降低受害者损失。
但 PreScam 的结果说明：这不是丢给 GPT 就能解决的问题。需要专门训练、专门的数据、专门的评测。
我的判断
PreScam 的数据集本身就有很高价值——11,573 个真实标注的多轮诈骗对话实例，覆盖了 20 种诈骗类型，这对安全研究社区是一个重要资源。
但论文也揭示了一个不太令人舒服的事实：当前的通用 LLM 在诈骗检测上并没有我们想象的那么聪明。它们能写出漂亮的分析，但在实时、多轮、渐进式诈骗场景中，表现不如专门训练的监督模型。
如果反诈团队能看到这篇论文，应该会考虑把 PreScam 的思路用到实际系统中：不是靠通用大模型"凭感觉"判断，而是用专门的诈骗进程模型来做实时预警。
主要来源：
- arXiv:2605.12243 PreScam: A Benchmark for Predicting Scam Progression from Early Conversations
- 圣母大学（University of Notre Dame）研究团队