即刻App年轻人的同好社区
下载
App内打开
进击的盖茨比
621关注4k被关注12夸夸
博派AI | 2026 专注Agent自动化
做个会借势,会带队打胜仗的Builder
置顶
进击的盖茨比
5月前
最近看到很多年轻人因为网贷而苦恼,作为曾一线操盘近20亿交易消费贷业务的中登,觉得有必要跟年轻朋友分享一个足以改变你一生的概念,它日常而迷人,却隐含危险。它就是利率。

而贷款,哪怕是合规的贷款分期,能赚钱的重要原因在于一个名词:利率幻觉。

不妨来看看如下场景:
场景1 用某呗借了1W,利息一天5元,年利率是多少?
场景2 用某信用卡套现1.2W ,分12期每月还1055元,共还利息660元,年利率是660/12000=5.5%吗?
场景3 从某小平台借1W,分3期还完,先交纳手续费6%,到手9400,每月还款333元。年利率是多少?

不仅如此,你还会发现,利率她就像一个“百变小樱”,似乎有很多装扮,比如月息6厘,费率前3,日利率万3、月利率0.75%、年化利率12%等...

上述问题,如果你感到困惑和好奇,那这篇文字就是为你而写的。

(一)APR&利率幻觉&IRR

1.APR(Annual percentage rate)- 名义利率

要搞清楚这个问题,我们首先要明白,什么是利率?

定义很多,此处我用和君王明夫的简明定义:利率是资金的价格。

言简意赅,使用资金是有成本的。

那么在借贷关系中,最重要的就是利率怎么标价,资金用多久,打算怎么还了。

对利率而言,日常我们明面说的各种利率,如日利率万3、月利率0.75%、年化利率12%...这些表述方式我们可统统约定为名义利率,即APR(Annual percentage rate),这也是银行常用默认的年利率。

它是一次性到本付息的单利。注意,这里强调一次性,即年利率APR=息费之和/借款本金(1年内)。

民间,通常用“厘”来表达月利率。一般民间谈利息几厘几厘,指的是月息的千分之几。
所以,日利率*360=月利率*12=年利率APR。很简单。

举例,若银行借你100块钱,到1年后,你才还钱,且一共还款104.5元。那么4.5%就是年利率(APR)。

再如某呗,日利率万5,在不分期情况下,乘以360即可得到年利率APR=18%。

2.利率幻觉- APR的失真

但,我们在分期买东西的时候,金融机构一般会告诉你,我们收的是“手续费费率”。

比如某呗提供分期服务,分期内不算利息,只收取手续费。费率跟所分期数有关,比如9期为0.72%,12期平均每期费率为0.73%。
以使用某呗借1200元,每月等额本息还款,分12期还清为例。
手续费费率=0.73%*12=8.76% ,似乎不高。
很多时候,用户,客服和销售也搞不清楚这个“费率”和利率有啥不同。其实,就是名义利率APR。

但是细心的朋友,会发现有点不对劲。

每期还款本金为100元,每期手续费为1200x0.73%(12期费率)=8.76元,合计每期本息为:100+8.76=108.76元。

这里的每期手续费,是按1200元借款为基数,而这个基数并没有因为我们归还了每期100元本金而减少。也就是说,我们每期都还钱,实际手上占用的钱在减少,但是收利息的基数不变。

因为分期还款的方式,使得APR不再真实反映资金的实际使用情况,让人们产生了“利息不多”的假象。这就是所谓的“ 利率幻觉。”

这也是信用卡、消费金融机构挣钱的基本原理之一。

我们把费率和“真实利率”列出来,就会一目了然发现他们的区别。
(参考如下图二)

3.真实利率-即IRR(Internal Rate of Return,内部资产收益率)

终于来到利率中的明星化身——IRR,内部资产收益率。也就是上面提到的“真实利率”。

要彻底搞清楚这个概念,有点复杂。我尽量讲得直白些。

金融上,认为货币有时间价值。今天的一块钱,永远大于未来的一块钱。今天的钱,也叫现值PV。

所以未来的钱,可以打折到现在,来和现在的钱比较。这个打折,也叫贴现。打折率,也叫贴现率r。

举例,若今天100块=未来110块,这10%即是贴现率r。

有了贴现率r,就能把未来的钱,“拉”到现在和投资成本一起比较了。

于是人们定义,未来所有不同时间点的收益全部折现到当前时间点,做成总和,减去投资成本,就是净现值(NPV,net present value)。

很明显的,如果NPV>0,说明投资有利可图,如果NPV<0,说明投资没搞头。

那NPV=0呢?意味着投资符合预期,在考虑了货币时间价值情况下,不赚不赔。

于是,人们定义:IRR就是当NPV=0时的折现率r。用公式表示:(请看图一,看不懂也没事)

有点复杂哦?别着急。

我们只需要记住,IRR考虑了货币的时间价值,反应真实的资金回报效率。

有了IRR,我们仿佛就有了火眼金睛!什么名义APR,都是弟弟。

可以先记住一个简单粗暴的结论:如果我们拿出1万元进行投资,在5年后收获了10万元,也就是我们常说的“5年10倍”,那么这笔投资的IRR是58%。

回到上面的例子,还是借1.2W分12期还,随着每一期还款,借款人实际占用的资金量变小(也就是投资者借给借款人的实际资金量也变小了)理论上,投资人每期收回的钱还在赚取利息。

IRR就可以如实反应,这种利滚利的效率。

(二)计算IRR
IRR的计算方式,常见有3种。
第一种,最快的办法选择使用市面上的IRR计算小程序直接算。
第二种办法,就是打开Excel,输入IRR函数,按照要求输入流水即可。5分钟学会,不再赘述。
第三种,财务&数学大神使用,线性插值法,高斯定则等等...

最后,为了直观搞清楚APR/IRR之间的关系,我们还需要再讲讲还款方式对利率的影响。
一般来说,常见5种还款方式。

1.随借随还。就是字面意思。
2.先息后本。简单来说,先还利息,最后1期连本带息还。
3.等本等息。每次还的本金一样,利息一样。一般用于银行现金分期,账单分期。
4.等额本金。每月偿还同等数额的本金,和剩余贷款在该月所产生的利息。
5.等额本息。最为常见。贷款期内每月按相等的金额偿还贷款本息,其中利息逐月递减,本金逐月递增。

我们不妨,用同样借款12000,借款期限12个月,月利率( 10% / 12 ),把流水列出来。
就很直观地看到APR/IRR,在不同还款方式下有区别。

(参考图三)

可以看到,在等额本息/等额本金还款情况下,
真实利率IRR一般是名义利率APR的两倍。

大家可以记住这个朴素的结论,对日常生活中的各类情形做快速判断。

而作为在残酷世界奋斗的我们,清楚知道自己每一份钱的代价,直面利率幻觉,或许才够得上现实的理想主义。
70127
进击的盖茨比
4天前
mark

橘AI: Jev 背后的野心,是完全的自动化 9 月 15 日,一家叫 TypeSafe 的公司发布了自己的第一个模型 Jev:它不生成文本,只输出判断,给一个问题,返回一个带置信度的决定。 它的速度比前沿大模型快两百倍,价格便宜四百倍,但这看起来很厉害,但并不是最重要的事情,重要的是他想改变一个模型训练的范式。 Jev 的 CEO 是 Diogo Almeida。他在产品发布前的一个月,曾对自己想解决的大问题进行公开演讲,从中你可以看到他在 Jev 背后的深度思考。 以下是我在看完演讲之后所记录的一些笔记和思考。 一、AI 现状:能力的巅峰,信任的谷底 AI 现在最别扭的地方:AI 能解出没人解过的数学题,但人类却不信任 AI 的决策。企业给客服机器人立规矩,只许让用户翻文档,不许做真正的决定。 人们使用软件和使用 AI 的方式截然不同,前者是按钮点点,后者是说话聊天,很难有机地融合在一起,也让所有的 AI 软件看起来都差不多,很难做出差异化。 因为软件无法自己做决策,所以人就需要一直在循环里纠偏,大部分软件公司不敢承担结果的责任,只能给用户一堆建议让他自己选择,因此也无法获得最大的价值,也无法按结果收费。 最大的价值往往来自决策,不是执行和提效。 二、根因:RLHF 把人放进了循环 AI 做一个任务的目的是什么?是取悦屏幕前的人,还是自己做决策?如果是为了取悦屏幕前的人,就永远无法实现完全的自动化。 RLHF 的本质是收集人类偏好,为人类偏好做优化。今天几乎所有大模型都这么训出来的。 为什么 AI 离不开人:因为训练的时候,我们真的把人放进去了。循环的终点是人的满意,要人满意就得有人在场。 三、两个副产品:谄媚与幻觉 RLHF 带来的第一个问题是:谄媚。有人发了一段放屁的音效问 ChatGPT 觉得这首音乐怎么样,它答「这段音乐有种奇怪的氛围感」。它在不知不觉中给出最让人满意的回答,Gemini 的谄媚更加严重,即便你完全错了,它也会说你太棒了。 RLHF 带来的第二个问题是:幻觉。在奖励模型里,犹豫太容易被看出来,一看出来就挨罚。所以模型学会了丢掉犹豫、装自信。模型不会承认自己不知道。这就产生了大量幻觉。 幻觉是优化人类偏好内生的结果。而 Jev 让模型以置信度的数字返回结果,模型不知道分数就低,因此就不存在这类幻觉。 但如果模型的训练数据已经包含了人类的语言幻觉,那就是另外一回事了。 四、为什么自动化还没发生 自动化的定义:一件极其机械的活,简单到能跟人讲清楚该怎么做,简单到可以近乎免费地重复做。 Agent 虽然已经可以完成长程任务,但其仍是辅助时代的产物。人还是要指挥 Agent,每一次指挥都是一次决策,这件事很累。 RLVR 和 RLHF 一起训练在模型里所带来的困境:agentic 变强的同时,模型开始不听话,两个方向左右摇摆,无法到达自动化。 企业用真金白银学会的教训:别让 AI 碰对生意有风险的决策。常见做法是把成本转嫁给用户,让用户看到所有信息并自己做出决策。 五、软件行业的窘境 所有 SaaS 从 2019 年到今天基本没变过,只是旁边挂了聊天机器人,并没有智能化和自动化的本质提升。 我们曾以为软件会变得聪明得多。实际上它只是变得写起来更便宜了。 我们随手就能 vibe coding 一个软件,用完随手就扔了。但这只把写软件的过程改变了,软件的结果并没有因此变得更好。这是量变而非质变。 为什么软件不能更聪明,为什么软件还是老样子,为什么软件不仅没有因为 AI 变得更赚钱,反而要担心被 AI 吃掉?这是我们需要认真反思的问题。 六、Jev 的赌注:第三条路 后训练每条分支有自己的北极星指标。RLHF 优化人类偏好,RLVR 优化对数错误率的纯粹正确性,Jev 做的是第三件事:校准的决策。 Jev 要解决的核心问题:如果整个 AI stack 为可靠性和自动化重新设计,会变成什么样?API 也不再是 chat 和 completion 预训练并没有任何问题,它把整个互联网的知识压缩成一个智能的内核,问题是怎么把智能从中挖出来。 对 Sutton 的苦涩教训的反思:他说算法比算力更重要,但这句话在游戏里成立,但在现实里不成立。其实数据比算力更重要,而选择合适的任务比做数据更重要。 每当后训练出现一条大的新分支,它在一开始看起来都非常陌生,但在事后回看会变得极其自然。 如果直接说 RLHF 错了也许有点过,但它是一段奇怪的弯路,一段我们没预料到的弯路。 Jev CEO 的演讲原文地址: www.youtube.com/watch?v=cJ0EOzey--o

00
进击的盖茨比
4天前
很厉害的洞察

王二鹅ERE_薄肌生成版: 大型组织,尤其是互联网企业总会走向过度协作,进而拖慢效率这个终局 看了 Snapchat 第一任 PM、后来做 Discord 产品负责人的 Peter Sellis 一个采访 他说自己设计团队的时候,会参考一种听起来非常不正确的组织:恐怖组织 的组织方法 这里面有两个值得看的东西 1.组织里的人对为什么做这件事有非常强的共识;2.谁能做什么决定很清楚 这两个东西够强以后,很多协作就不用发生了 因为 collaboration 本身就挺贵的 一个事情只要需要 5 个人一起讨论,速度基本就被最慢的那个节点限制了 即所谓的水桶效应 但公司里很少有人会因为“协作太多”被批评 反过来,一个 PM 如果没拉设计、研发、数据、运营一起开会,反而很容易被说协作意识不够 所以组织最后一定会越来越倾向于:多拉人,多同步,多开会 最后所有人都参与了,但是没人真的做决定 都是,“下来再讨论一下” —— 这个我之前在字节的时候体感很明确,毕竟已经是最强调context 的公司。当然现在应该更严重了,当然所有大厂应该都是这样 字节这种规模的公司,一个事情很容易同时涉及产品、研发、设计、数据、运营,稍微再复杂一点还有商业化、审核、法务等等 最开始把人拉进来当然都有理由 因为你确实不希望做完以后突然有人跳出来说:数据口径不对,审核过不了,会影响商业化巴拉巴拉的 问题是只要这种事情发生过几次,组织就会自己学习 以后最安全的方法就是: 提前把所有可能相关的人都拉进来 于是一个本来两三个人能做的决定,慢慢就变成十个人的会 而且大厂协作还有一个很实用的部分 分摊责任 一个事情如果做砸了 “这是我做的判断”其实是一个风险很高的状态 但如果是: 我们当时拉了相关团队 大家都 review 了 最后形成了共识 那至少流程上没什么问题 所以有时候组织里的“共识”不完全是为了提高决策质量 它也在降低某一个人承担错误决策的风险 这个东西越成熟,协作就越容易变重 —— Peter 的解法倒是很简单 strategy 要讲清楚 然后把 DRI 定清楚 下面的人知道公司要去哪,也知道这个事情最后到底谁说了算 很多决定就不用一路往上问 这个放到现在 AI 团队里也有一些参考的点 因为写代码、做设计、查数据、做 prototype 都在变快 理论上一个产品团队应该比以前快非常多 但如果每个动作最后还是: PM 出方案 设计评审 技术评审 数据评审 老板 review 跨部门同步 那 AI 省下来的时间,最后很可能全部重新花在组织协调上 以前公司最贵的是执行 以后可能会变成一个很奇怪的状态: 执行越来越便宜 决策越来越贵 —— Peter 后面还有个观点 他说自己在 Snap 和 Discord 看到的很多最大增长,最后还是来自 core product 不是专门再搞一个“增长项目” 其实组织大了以后很容易长出各种横向团队 增长负责增长 商业化负责收入 平台负责效率 然后 PM 负责把这些人协调起来 每个人都有自己的 KPI 但产品本身好不好用,反而变成一个没人能完全负责的东西 他甚至说 median PM 很可能是 net negative 但放到 AI 时代,协调能力就会很尴尬 以前一个 PM 能协调 10 个人把东西做出来,本身就是能力 以后一个事情明明 2 个人加 AI 就能做 你还需要协调 10 个人 那“我很会协作”就不一定还是优点了 有时候只是组织先制造了复杂度 然后又需要一个人专门管理这个复杂度

00
进击的盖茨比
5天前
绝了,马上试试。
哦不对,我没有女朋友👭

超级峰: 😱 。。 Jev 最佳应用场景 👇 猜猜你的女友在想什么

00
进击的盖茨比
7天前
没有渣男特质做不好FDE
30
进击的盖茨比
8天前
再次来到东莞女企联学院进行 AI 内训交付。感谢王会长、陈秘书长的邀约,以及 130 多位女企业家的支持~
​高强度工作留下了人生中最胖的时刻,立志短期内瘦下来,以匹配各位的颜值~
00
进击的盖茨比
8天前
Kimi 敢于先做金融技术解决方案,真的很 respect ,高合规&低幻觉&长稳定的要求真不是一般模型敢挑战的。所以我很想知道在金融垂直场景下,哪家模型目前市占率最高,在解决什么问题。
01
进击的盖茨比
10天前
虚假丰盈,造就真正的匮乏
比如用 AI 批量生产内容泔水
让被验证的洞察和判断变得稀缺

极致的匮乏,却会造就传奇诞生
你我的平凡,不甘,压抑,不得
都会成为超越 AI 的源代码和上下文
​
11