*將 Figma 投資者添加到簡介。

強烈推薦申請與@jmj & @seidtweets合作！他們是不可思議的人和投資者！

在8月4日，我們將舉辦理論智慧日：與專家進行深入對話，討論代理、穩定幣和可擴展數據系統。

您的電子郵件如何找到我

今天的模因更上一層樓。

我們不能用 10 億買下 Noah Shazeer，但我們可以在總量上創造他

祝賀 Lance 團隊！很高興能和你們一起工作！

我對 WSJ Venture Capital 的看法，即哪些特質使公司成為當今市場上市的有力候選人。謝謝@marcvarta ！

你們@tryramp可以攝取我的日曆數據：標題、出席者，然後自動執行我的費用要求？ 我們的實習生@pavitarsaini我將在本週末對其進行編碼。

TL;DR：我們構建了一個基於 transformer 的支付基礎模型。它有效。 多年來，Stripe 一直在使用基於離散特徵（BIN、zip、支付方式等）訓練的機器學習模型。 為使用者改進我們的產品。這些逐個功能的努力效果很好：+15% 的轉化率，-30% 的欺詐率。 但這些模型有局限性。我們必須選擇（並因此約束）模型考慮的特徵。每個模型都需要針對特定任務的訓練：授權、欺詐、爭議等。 鑒於廣義 transformer 架構的學習能力，我們想知道 LLM 風格的方法是否可以在這裡工作。這並不明顯——支付在某些方面就像語言（結構模式類似於語法和語義，時間順序），而在其他方面則與語言截然不同（較少的不同“標記”、上下文稀疏性、較少類似於語法規則的組織原則）。 因此，我們構建了一個支付基礎模型 — 一個自我監督的網路，它可以為每筆交易學習密集的通用向量，就像語言模型嵌入單詞一樣。它經過數百億筆交易的訓練，將每筆押記的關鍵信號提煉成一個單一的多功能嵌入。 你可以把結果看作是高維向量空間中的大量支付分佈。每個嵌入的位置捕獲了豐富的數據，包括不同元素之間的相互關係。具有相似之處的支付自然會聚集在一起：來自同一髮卡行的交易位置更近，來自同一家銀行的交易甚至更近，以及共用同一電子郵件位址的交易幾乎相同。 這些豐富的嵌入使得發現細微的、對抗性的交易模式變得明顯更容易;以及根據單個付款的特徵及其與序列中其他付款的關係構建更準確的分類器。 以卡片測試為例。在過去的幾年裡，傳統的ML方法（設計新功能、標記新出現的攻擊模式、快速重新訓練我們的模型）已經將 Stripe 使用者的銀行卡測試減少了80%。但是，最複雜的卡測試器在最大公司的大量攻擊中隱藏了新的攻擊模式，因此很難用這些方法發現它們。 我們構建了一個分類器，用於從基礎模型中提取嵌入序列，並預測流量切片是否受到攻擊。 它利用 transformer 架構來檢測事務序列中的細微模式。它以即時方式完成這一切，因此我們可以在攻擊企業之前將其阻止。 這種方法在一夜之間將我們對大使用者卡測試攻擊的檢出率從 59% 提高到 97%。 這對我們的大用戶產生了立竿見影的影響。但基礎模型的真正強大之處在於，這些相同的嵌入可以應用於其他任務，例如爭議或授權。 也許更根本的是，它表明支付具有語義意義。就像句子中的單詞一樣，事務具有複雜的順序依賴關係和潛在的特徵交互，而手動特徵工程根本無法捕獲這些。 事實證明，關注就是所有需要的付款！