DeepMind 联手新加坡推端侧 Gemma 防诈：本地研判话术，数据不上云

现在骗子的手段早就不是发一条带木马链接的短信那么简单了，他们往往会花几天甚至几周陪你聊天，从拉家常、聊投资到冒充公职人员，一步步诱导转账。

在新加坡，这种靠多轮对话实施的复杂社交工程诈骗，占到了 2019 年以来全部 40 亿新元诈骗损失的 80%。

Google DeepMind 联手新加坡政府科技局（GovTech Singapore）在新加坡国际网络周（SICW 2026）上公布了一项新成果：他们微调了一个专门用于检测对话诈骗的端侧 Gemma 模型，既能在手机本地实时拦截骗局，又完全不泄露聊天隐私。

手机本地抓骗子：两级流水线省电防误报

传统的反诈拦截大多依赖云端服务器扫描消息，但在点对点加密的聊天软件里，这种做法根本走不通，用户也不可能愿意把私人聊天记录上传到云端。

针对这个矛盾，DeepMind 把微调后的 Gemma 模型直接塞进了手机端侧运行。为了解决手机跑大模型耗电太快的问题，他们设计了一套两级流水线。

第一级是一个极轻量的分类器，它在后台以极低功耗筛查接收到的消息，专门捕捉潜在的异常信号。

只有当第一级发现可疑迹象时，才会触发第二级的微调 Gemma 模型。此时模型会对多轮对话的上下文切片进行深入分析，判断是否存在操控意图，从而确认威胁或排除误报。

一旦模型判定对方正在试图行骗，手机就会在本地直接弹窗发出实时警告，提醒用户在转账或提供敏感信息前暂停操作。

整个过程完全在端侧本地运行，只有在获得用户明确同意后才会访问对话内容，无论是新加坡政府还是 Google 都无法拿到用户的聊天记录。

针对本地化话术特训，数据不出沙盒

通用的 AI 模型往往听不懂特定地区的行话和套路，很难识别本地化的伪装话术。

这次合作中，双方针对新加坡本地常见的话术进行了定向微调，涵盖假冒当地公共机构、银行、知名人物，以及区域内流行的各种诈骗剧本，确保模型能分清正常社交闲聊与蓄意诱导。

在数据安全方面，双方设定了严格的治理规则。

模型的微调工作完全在新加坡 GovTech 自主管理的 GCP 沙盒环境中进行，训练数据彻底隔离。

训练过程严格排除了任何公民的个人隐私信息，全部使用来自诈骗举报和情报源的匿名化数据集，并结合合成对话与本地语料进行了高强度压力测试。

双方表示，未来该模型在各类应用中的落地将分阶段稳步推进。

为什么重要

我们认为，这项合作切中了一个极其关键的行业痛点：在端到端加密普及的今天，平台到底该怎么保护用户不上当受骗。

以往的安全审查往往要在隐私和安全之间二选一，如果把聊天内容传到云端分析，加密就名存实亡；如果不看内容，就只能眼睁睁看着骗子用话术把受害者掏空。DeepMind 和新加坡政府拿出的解法很聪明，把小模型搬到设备本地，利用本地算力和两级流水线架构，在不打破端到端加密的前提下实现了实时防御。

对用户来说，这项技术一旦集成进常用的通讯软件，最大的价值在于防范沉没成本极高的「杀猪盘」或投资骗局。它不是简单过滤垃圾短信，而是在你被骗子聊得晕头转向时，从本地拉你一把，而且你完全不用担心自己的私聊记录被大公司或政府窥视。

但隐患同样存在。本地模型的误报率将直接决定这项功能的生死：如果正常谈生意或朋友借钱频繁被弹窗警告，用户很快就会选择关闭权限；此外，骗子一旦获取到端侧模型，也很容易在本地进行对抗性测试，针对性地绕过关键词和特定句式。这会逼着反诈模型像杀毒软件病毒库一样，必须具备频繁且小巧的本地更新能力。