8 月初，《南华早报》报道了一项研究：中国人民公安大学的团队做了一个 AI 框架，专门识别虚拟货币里的非法交易，在公开的 Elliptic 比特币数据集上，整体准确率测出来 89.4%。论文今年 5 月发在《情报杂志》上。

这不是孤例。河南司法警官职业学院的团队换了条路子，用图结构 Transformer 加自监督学习，在同一个数据集上把 F1 做到 95.8%；9 月挂出来的第三篇论文盯的是企业支付网络，F1 做到 96.1%。三个团队、三条技术路线，围的是同一件事：从交易网络里认出洗钱和欺诈。

查资金的人对「从流水里找异常」再熟悉不过。过去靠经验，后来靠规则，现在模型开始接手。这篇把三篇研究拆开看看：它们在做什么、做到了什么程度，哪些话要听、哪些话要打折，以及实务里现在就能用上的部分。

资金分析的三步跳：翻单、清洗穿透、关系推

资金分析的三步跳：翻单、清洗穿透、关系推理，每一次换代回答的问题都往后推一层

三条路线，一个方向

先看公安大学这套。它把三样东西拼在一起：动态图神经网络（DGNN）把钱包地址和转账记录建成一张持续变化的网，盯的是交易结构和资金流向随时间的演变；记忆模块存着历史上坐实过的非法模式，新交易进来先跟老案子比一比；最后由大语言模型把前面两步提取的特征整合成一段自然语言的风险评估，合法还是非法、风险评分、关键证据、推理链条，一次给齐。

公安大学团队的三段式框架：动态图神经网络

公安大学团队的三段式框架：动态图神经网络管结构、记忆模块管历史、大模型把结果讲成人话

第二篇换了个思路。链上交易绝大多数没有「非法/合法」的标注，有标签的样本太少，传统监督学习吃不着。GT-SSL 的做法是自监督：把交易记录转成有向图，用带偏向的随机游走生成交易序列，喂给 Transformer 自己学结构，再用伪标签扩充训练信号。效果是在只有 5% 标签可用的场景下，精度和召回都没塌。

第三篇离经侦最近。GTFD 盯的是企业支付网络里的协同欺诈——虚构供应商、走账套现这类，跟经侦天天办的内部腐败案是一个路数。它在图注意力之上加了一层统计上的「共形风险控制」，给异常分配上误报率的硬保证，误报比最强基线降了约 29%。

三篇的背景是同一个。最高检的数据，2025 年全国检察机关起诉了 3259 名利用虚拟货币、地下钱庄等渠道洗钱的人。案多人少，靠堆警力换速度的老办法撑不住了，上海经侦那句「用算力换人力，用速度跑赢犯罪」就是这么来的。

把流水从「表」变成「图」

三条路线真正的共同点在方法上：流水不再是一行一行的表，而是一张图。节点是账户或交易，边是转账，模型在图上找的是形状——分散转入再集中转出、多层跳转、环形回流。这些结构正是洗钱的动作本身。

对老经侦来说，这些形状不新鲜。归集账户、过桥账户、拆分交易，本来就是看资金关系图时一眼要认的东西。上海经侦那位研发智能体的民警叶茂行说得更直白：技战法就是老民警把办案经验代代相传，「如今经验被转化为代码，写进智能体」。

变化在于「看图」这件事被自动化了。实务里的人工看图长这样——

人工看图长这样：DMSeek 资金关系图

人工看图长这样：DMSeek 资金关系图把 TOP30 往来对手、金额、层级摊在一屏（演示数据）

DMSeek 的资金关系图，TOP30 往来对手、金额、层级摊在一屏里，归集和分散的节点藏不住。模型要学的是把这套「人眼看图」搬到几十万个节点的规模上去做，这也是三篇研究真正的分量。

九成准确率的另一面

有几个数字得放在一起看。89.4% 的整体准确率听着不错，但同一篇论文里，非法交易的召回率是 64.5%——大约三分之一的非法交易模型没有抓住。对办案来说，漏掉的那三分之一，可能才是要命的部分。

标注是绕不开的瓶颈。链上数据海量，「坐实非法」的标签稀缺。GT-SSL 用自监督缓解了这个问题，缓解不等于解决。学术圈对此也清醒：模型在随机混合数据上测出的成绩，和严格按时间切分后的实战表现，可能差得很远。

还有一层：模型给的是风险评分加推理链，不是定性结论。三篇论文没有一篇说自己能替代人工核查：账户实名、聊天记录、平台资料、资金来源，一样都得人来核。模型的正确位置是「把值得看的东西挑出来」，而不是「替人下结论」。

这也是「金析为证」在意的部分。分析结论要进卷宗，数据血缘、操作留痕、规范报告三样缺一不可。模型输出能不能作为证据用，看的就是这条链全不全。

模型找，人定性

把分工摆出来就清楚了。

模型找、人定性：算得快看得全的交给模型，

模型找、人定性：算得快看得全的交给模型，定性质担责任的留给人，两边互换不了

模型擅长的是算得快、看得全：几十万条交易里挑结构异常、盯地址的长期行为、把风险讲成一段能读懂的话。人负责的是定性质、担责任：核实线索、区分正常往来与涉案、对误报保持警惕、保证结论经得起质证。两边互换不了。

北京海淀经侦全年出具资金分析报告百余份、支撑全局近千起案件的侦查，靠的就是「工具供数据、人出结论」这套流程。报告能进卷宗的前提，从来不是模型多准，而是每一步都留了痕。

现在就能用的部分

研究里的能力要落地还得等，但「查关系」这件事，实务里今天就有得用。多案串并把多个案子的嫌疑人、账号、工具维度拉到一起碰撞。

多案串并：多个案子的嫌疑人、账号、工具拉

多案串并：多个案子的嫌疑人、账号、工具拉到一起碰撞，弱关联也能并案（演示数据）

物理证据与资金流、实名账号与工具、强社会关系、弱关联，四个维度可选，三个案子两两碰撞立刻出结果。弱关联这个选项值得多说一句：不同案子里的嫌疑人只要共享一个收款卡号、一台设备，就值得并案看。

跑完分析，案件报告一键导出 PDF——

案件报告一键导出 PDF：流水汇总、分布

案件报告一键导出 PDF：流水汇总、分布、关系图谱分章呈现，直接是能递出去的格式（演示数据）

资金流水汇总、流水分布、资金关系图谱分章呈现，1.09 亿流水、1329 笔交易、252 名相关人，报告目录十二节，直接就是能递出去的格式。

工具换代不会一夜发生，但方向已经清楚：资金分析正在从「查表」经过「查图」走向「查关系」，模型接管的是「找」，人守住的是「定性」。谁先把这套流程跑顺，谁的窗口期就多一截。

DMSeek 深度资金分析系统（dmseek.com 可直接下载，免费使用，装上就能用），微信、支付宝、银行流水拖进去，资金关系图、多案串并、报告导出一个界面完成；链上那一段配合 DCSeek（dcseek.com，免费使用，浏览器打开即用），地址分析、资金流图接得住。实务里遇到具体场景拿不准怎么查，可以从页面右下角的客服入口找我们。

资料来源

① 《南华早报》（2026-08 报道）/ 朱融轩、周昌镐、孙靖超（中国人民公安大学）《融合记忆增强 DGNN 和 LLM 的加密货币非法交易检测》，《情报杂志》2026-05：Elliptic 数据集（203,769 节点、234,355 条边、每节点 166 特征）上整体准确率 89.4%、非法交易精确率 89.1%、召回率 64.5%。

② 河南司法警官职业学院团队 GT-SSL（《Discover Artificial Intelligence》）：图结构 Transformer + 自监督 + 伪标签，Elliptic F1 95.80% / AUC 97.62%，AML-Bitcoin F1 93.78% / AUC 95.91%；仅 5% 标签可用时仍保持高精度高召回。

③ GTFD（arXiv 2609.14234，2026-09-13）：企业支付网络协同欺诈检测，图 Transformer + 自监督预训练 + 共形风险控制，AUROC 0.990、F1 96.1%（精确率 96.3%、召回率 95.9%），误报率较最强基线降约 29%。

④ 最高人民检察院：2025 年全国检察机关起诉 3259 名利用虚拟货币、地下钱庄等渠道实施洗钱犯罪的人员。

⑤ 中国警察网-人民公安报《自学编程，造出经侦的"超级大脑"》（2026-09 报道）：上海经侦「资金分析智能体」嵌套全国公安经侦应用平台、支撑 30 多个省；叶茂行「经验被转化为代码，写进智能体」；同报 2026-09-30《北京海淀：打造"金析为证"执法利器》：全年出具资金分析报告百余份、支撑全局近千起案件侦查。

扫码直达官网

DMSeek 官网二维码 DMSeek 深度资金分析 dmseek.com DCSeek 官网二维码 DCSeek 电诈研判台 dcseek.com