金融诈骗正日益针对老年人，通过邮件、短信和电话等文本或语音渠道展开，往往在多轮对话中逐步升级：先冒充或随意接触，随后通过建立信任和制造紧迫感，引导受害者提供敏感信息或转账。风险信号在对话轮次中逐步显现，因而检测模型需要在资源受限的部署环境下持续更新风险估计。我们提出一种累计轮次风险评估框架，在每一轮对话后聚合已出现的轮次并重新估计风险，实现对逐步演化的对话的动态监控。为此构建了多轮对话数据集，覆盖投资、慈善和技术支持诈骗场景，每段对话包含 2~8 轮，并在每个累计阶段标注定性风险等级、连续风险分数、解释性理由和安全建议。四种小语言模型（Phi-4、LLaMA-3.2、DeepSeek‑R1、Qwen3）在统一训练框架下进行指令微调并评估。微调后的小模型能够捕捉欺诈相关的语言线索和跨轮次的升级模式，同时保持适合移动端和资源受限环境的紧凑结构。实验表明，Phi-4 与 LLaMA-3.2 在轮次感知的风险估计上相对参数规模表现更佳。结果说明，结构化的累计建模能够在面向部署的场景中支持增量式诈骗风险评估，并凸显紧凑语言模型在隐私保护和端侧防欺诈中的潜力。
点评