Coinbase 利用专有交易数据微调开源模型，在欺诈检测中超越主流闭源模型

Coinbase 利用其专有交易数据对一款开源权重 AI 模型进行了微调，使其在欺诈检测方面表现优于领先的闭源模型，不仅检测评分更高，且服务延迟更低。在一篇分为三部分的技术系列文章中，该交易所指出，相较于依赖日益强大的通用 AI 系统，企业通过针对自身需求进行专门训练的专用模型，能够获得更优异的效果。

更小模型实现更优的欺诈检测效果

Coinbase CEO Brian Armstrong 在 10 月 12 日的帖子中表示，公司使用内部数据对 Qwen3.5-9B 进行了微调，发现在欺诈预防这一专项任务上，该模型“以远低于前沿模型的成本和速度，实现了更出色的性能。”

Armstrong 强调，其核心观点并非认为小模型在所有场景下都更优越，而是指出性能取决于模型所接受训练的具体任务。“前沿模型是惊人的全能型选手，” Armstrong 写道，“但你会看到越来越多的专用模型在更狭窄的任务领域表现出色，它们既可以作为团队的一部分协同工作，也可以独立完成任务。”

Coinbase 的“自有智能”（Owning Intelligence）系列文章描述了这一方法的演进过程。最初，公司在现有的机器学习模型和规则引擎基础上，为 Onramp 功能添加了一个 AI 风险代理。Onramp 允许用户通过合作伙伴应用程序购买加密货币，包括无需 Coinbase 账户即可进行的访客结账流程。

在线实验结果显示，在使用额外 AI 审核的组别中，欺诈交易减少了 30%，欺诈金额减少了 22%。该代理通过分析近期的交易序列来识别那些从单笔支付中难以察觉的模式。它可以拦截通过初步检查的交易，但无法撤销上游已执行的阻止操作。

随后，Coinbase 在一个包含 7,293 名用户（其中 813 人为确认的欺诈用户）的固定基准测试集上，共 16,140 笔交易，测试了较新版本的闭源模型。报告指出，新版 Opus、Sonnet 和 GPT 在多项欺诈检测指标上的表现均不如前代版本。例如，GPT-5.6 虽然提高了精确率，但召回率较低，意味着它识别出的欺诈交易比例较小。这一结果促使公司转向采用开源权重模型，因为其参数可以直接进行调整，而不仅仅是通过提供商的 API 访问。

关于 AI 自主性的争议

Coinbase 的做法引发了更广泛的讨论，即 AI 代理在金融犯罪和安全领域的应用。Certik 上周警告称，更具自主性的安全代理可能因输出错误和人类审查减少而带来风险。该公司建议对自主决策设定明确限制，并为每个代理指定责任人。

然而，这家加密交易所的代理工作在严格的限制范围内：它返回风险评分，并由应用代码执行决策策略。它可以拦截早期检查放行的交易，但不能覆盖已经做出的阻止决定。