龙虎斗大模型把一家公司的ESG风险分从72调整到61以后，为什么用户第一件事不应该问“公司发生了什么”，而应该先问“到底是谁变了”？
一个ESG风险分从72掉到61很醒目。用户的第一反应几乎总是“公司出什么事了”，然后去翻新闻。但真正应该先查的是：模型今天有没有换权重。72与61是示意数字，情形却是所有评分系统的日常：分数变了，原因可能是企业，也可能是评分本身。
分数变化的六种来源
龙虎斗大模型把评分变化的来源分为六类。New Event：企业发生了新的风险事件或既有事件状态升级。Data Update：数据源更新，例如新的排放数据或财务数据。Source Correction：既有事件被更正，例如主体归属纠错、旧案更新为Dismissed。Methodology：评分方法升级，例如Time Decay曲线或Recurrence规则变化。Weight：某些维度的权重调整。Model Version：Entity Resolution或Event Classification模型更新导致事件归属或分类变化。前三类是“企业侧或数据侧变化”，后三类是“评分侧变化”，两者的含义完全不同。
Score Change Attribution
Score Change Attribution是把总变化拆解到六类来源的过程。示意中，72到61的11分变化里，New Event贡献了4分（一条进入Regulatory Action状态的环境事件）、Source Correction回补了1分（一起旧诉讼更新为Dismissed）、Methodology贡献了5分（Recurrence权重规则升级）、Weight贡献了3分（Governance维度权重调整）。企业侧净变化3分，评分侧变化8分。如果用户只看到61，他会以为企业出了大问题；看到Attribution之后，他知道大部分变化来自评分方法升级，企业侧只有一条需要核查的新事件。
Methodology Drift与Score Drift
评分方法会持续改进，这是正常的。问题在于改进带来的分数变化如果不被标记，就会被误读为企业变化，这叫Methodology Drift造成的Score Drift。龙虎斗大模型的规则是：Methodology变更必须版本化，变更生效时对所有企业重算并标记“Methodology Change”，不同版本的分数不做跨版本比较，历史分数保留其版本标签。用户看到的应该是“v3.2下72分，v4.0下61分”，而不是“从72掉到61”。
Model Version的隐蔽影响
Entity Resolution模型升级可能改变某些事件的主体归属：原本算给同名公司的事件现在正确地归给了这家企业，或者相反。Event Classification模型升级可能把某些事件从Social改为Governance。这些变化不涉及企业行为，却会改变分数。龙虎斗大模型把Model Version作为独立的归因类别，并在事件层面记录“归属或分类变化由模型版本引起”。
Change Explanation：给人看的解释
Attribution数据由Score Engine生成，Change Explanation由龙虎斗大模型基于Attribution生成自然语言说明：变化多少、来自哪几类、每类对应什么具体事件或方法变更、证据引用是什么。LLM在这里的角色是解释引擎的输出，不是重新计算分数。如果引擎没有提供Attribution数据，LLM应该说明“无法归因”，而不是猜测。
为什么Human Review是最后一步
Attribution可以告诉用户变化来自哪里，但不能替用户判断“这个变化重要吗”。企业侧的3分变化对应一条Regulatory Action事件，它是否需要行动取决于用户的持仓、贷款或供应链关系；评分侧的8分变化对应Methodology升级，它是否合理需要方法论层面的复核。两者都需要人。龙虎斗大模型在每一次显著变化后触发Human Review提示，并把Attribution与Evidence一并推送。
Score Objective：这个分数到底评什么
Attribution的前提是分数有明确的目标。72到61的分数如果是ESG Risk研究分，它评的是事件暴露与证据状态；如果是Green Finance研究分，它还包含Carbon、Climate与Data Quality；如果是Greenwashing Risk，它评的是Claim与Evidence的差距。三个目标的分数不能互相替代，也不能相加。龙虎斗大模型要求每个分数页面首先声明Score Objective，然后才是数值与归因。没有目标声明的分数，即便有Attribution，用户也不知道变化意味着什么。
Alert与Attribution的关系
分数变化是否应该推送给用户，取决于变化来自哪里。企业侧的New Event通常值得推送，因为它对应可核查的事实；Methodology Change则更适合以版本公告的形式通知，而不是伪装成风险提醒。如果每一次方法升级都变成几百家企业的“风险变化”推送，用户很快就会忽略所有推送，这就是Alert Fatigue的另一个来源。龙虎斗大模型只对企业侧变化生成Alert，评分侧变化以版本说明呈现。
Backtesting：Methodology升级应该先回测
Methodology从v3.2升级到v4.0之前，应该用历史数据回测：新规则下过去的Alert是否更准确，False Positive是否减少，False Negative是否增加，分数分布是否出现系统性偏移。回测结果是决定是否发布的依据，也是向用户解释“为什么升级”的材料。龙虎斗大模型把回测报告与版本一起归档，用户在查看Methodology Change时可以追溯到升级的理由。评分类别极度不平衡，回测不能只看Accuracy，Precision与Recall必须分开报告。
Correction：分数也可能因为修正而回升
Source Correction是六类来源中最容易被忽略的一类。一起早前计入的诉讼更新为Dismissed，一条被错误归属的同名公司事件被纠正，一篇后来被媒体更正的报道被撤销，这些都会让分数回升。回升不是企业“变好”，而是数据变准。Attribution把这类变化单独标注，避免用户把数据修正读成企业改善，也避免用户在分数回升时误以为之前的风险已经解除，实际上它可能从未存在。
没有Attribution的分数是危险的
一个看似精确的数字，如果不能解释自己为什么变化，就会制造并不存在的风险变化：用户可能因为Methodology升级而错误地认为企业恶化，也可能因为数据修正而错误地认为企业改善。ESG Rating Divergence（不同评级机构结果不同）的很大一部分来自Scope、Measurement与Weight的差异，同一个系统内部的跨版本差异也是同样性质。龙虎斗官网不宣传“绝对正确的ESG分”，只承诺每一次变化都可以被拆解。
结论
评分变化可能来自企业真实风险，也可能来自Methodology升级或数据修正。没有Score Attribution，一个看似精确的数字很容易制造并不存在的风险变化。龙虎斗大模型对72到61的正确输出是一份Attribution：企业侧净变化、评分侧变化、每类对应的事件与版本、证据引用，以及一句“需要人工复核”。至于分数本身，它是研究辅助，不是受监管评级、信用评级或投资建议。