姚经指出，车险人伤（BI）赔案是财险公司尾部风险的主要来源，但个体层面的损失评估在精算领域长期缺乏深入研究。BI损失具备重尾性、类型异质性强及诊断文本非结构化等三大特征，传统模型难以有效应对。为此，团队提出“群组自适应分位数组合框架”：以梯度提升决策树估计多个条件分位数，再针对门诊、住院、伤残三类赔案，用熵正则化权重自适应组合分位数预测——门诊依赖中部分位数，住院结合中位数与上尾，伤残几乎完全倚重最高分位数，权重分配与业务直觉高度一致；同时引入经医学语料微调的中文医疗大语言模型，将诊断文本转化为语义嵌入，有效提取了风险信号。

基于国内某大型财险公司的80,426条赔案数据，新框架相较传统广义线性模型，均方误差降低了42.5%，平均绝对误差降低了28.7%，基尼系数从0.677升至0.747，高额赔案预测改善尤为突出。该框架还可用于未决赔款准备金计提、理赔智能分级及尾部风险监控。互动环节，师生围绕模型可解释性与权重稳健性等问题与姚经进行了深入交流。

本次学术交流兼具理论深度与实践广度，为保险精算与机器学习交叉研究提供了极具启发性的范例，也为研究院师生在统计、精算等领域打开了新视野。