Coinbase poinformował, że jego specjalnie zaprojektowany agent AI przewyższył wiodący komercyjny system AI w wykrywaniu oszustw, odpowiadając jednocześnie znacznie szybciej podczas weryfikacji płatności — w trakcie testów w usłudze Onramp liczba transakcji oszukańczych spadła o 30%, a ich wartość o 22%.

Agent opiera się na modelu Qwen3.5-9B, modelu open-weight, który inżynierowie Coinbase dostroili na zastrzeżonych wewnętrznych danych transakcyjnych. Dyrektor generalny Brian Armstrong omówił wyniki 12 października, po opublikowanym w poprzednim tygodniu trzyczęściowym cyklu inżynieryjnym firmy.

"We were able to fine tune an open weight model (Qwen3.5-9B) on proprietary internal data at @coinbase , and it out performed frontier models, at much lower cost and speed, for a specialized task (fraud prevention in this case). I think we'll see more of this pattern inside… pic.twitter.com/x1gort3N6P"

— Brian Armstrong (@brian_armstrong) October 11, 2026

W poście Armstrong zasugerował, że wynik ten wskazuje na szerszy wzorzec, w którym modele open-weight dostrojone na danych zastrzeżonych mogą pokonywać systemy graniczne w wąskich, wyspecjalizowanych zadaniach przy niższym koszcie i większej szybkości.

Recenzent AI ogranicza oszustwa w Onramp

Coinbase początkowo dodał recenzenta AI obok istniejących reguł antyfraudowych i kontroli uczenia maszynowego w Onramp, usłudze firmy do zakupu kryptowalut za pieniądze fiat. W eksperymencie online firma odnotowała o 30% mniej transakcji oszukańczych i 22% redukcję wartości transakcji oszukańczych.

Zamiast oceniać każdą płatność w izolacji, agent analizował sekwencje ostatnich płatności, aby ocenić podejrzaną aktywność. Pozwalało mu to zatrzymać płatność, która przeszła wcześniejsze kontrole, choć nie miał uprawnień do cofnięcia już nałożonej blokady. Model zwracał wyłącznie klasyfikacje ryzyka, a ostateczne decyzje transakcyjne podejmował kod aplikacji — rozwiązanie, które według firmy wzmacnia bezpieczeństwo transakcji, zachowując jednocześnie wyraźne granice automatycznych decyzji zapobiegania oszustwom.

Testy wewnętrzne wspierają mniejszy dostrojony model

Coinbase porównał kilka modeli przy użyciu zestawu testowego 16 140 transakcji dotyccych 7 293 użytkowników, w tym 813 potwierdzonych przypadków oszustwa. Firma stwierdziła, że niektóre nowsze modele ogólnego przeznaczenia przegapiały więcej oszustw, mimo poprawy trafności oznaczanych transakcji.

Inżynierowie następnie dostosowali Qwen3.5-9B, model open-weight o dziewięciu miliardach parametrów, wykorzystując historyczne dane o oszustwach Coinbase. Według raportu firmy trening odbywał się na pojedynczym procesorze graficznym i kosztował mniej niż 100 USD.

W porównaniu z Anthropic Opus 4.5 dostosowany model poprawił wynik F1 o 9,6 punktu procentowego. Coinbase poinformował również o 55% niższej medianie czasu odpowiedzi — jego model zajmował 0,683 sekundy na zapytanie w porównaniu z 1,515 sekundy dla systemu komercyjnego, według pomiarów produkcyjnych.

Wyniki pochodzą z testów przeprowadzonych przez firmę, a nie z niezależnej oceny wydajności modeli na innych platformach płatniczych. W związku z tym przedstawione porównanie dotyczy wyłącznie procesu weryfikacji transakcji Coinbase i warunków testowych, a nie ogólnego rankingu modeli.

Wyraźne granice decyzji automatycznych

Coinbase stwierdził, że jego model wymaga dalszych testów w miarę zmiany wzorców oszustw, a ustalone reguły aplikacji kontrolują sposób działania systemu. Podejście to jest zgodne z ostrzeżeniem firmy bezpieczeństwa CertiK z zeszłego tygodnia, że autonomiczne agenty potrzebują wyraźnych granic i rozliczalności ludzkiej. Dla systemu opisanego przez Coinbase monitorowanie, czy klasyfikacje pozostają skuteczne w miarę zmiany wzorców oszustw, będzie więc częścią obsługi narzędzia obok tych reguł aplikacji.

Wykorzystanie wyspecjalizowanej AI do zapobiegania oszustwom przypada w okresie, gdy twórcy blockchainów eksplorują inne zastosowania w dziedzinie bezpieczeństwa. Odkrycie wspomagane przez AI luki w XRP Ledger doprowadziło niedawno do naprawy podatności, która mogła umożliwić nieautoryzowane tworzenie tokenów. Osobno ostrzeżenie Vitalika Buterina o AI i bezpieczeństwie portfeli wzbudziło obawy, że zaawansowane systemy mogą również zagrażać istniejącym zabezpieczeniom kryptograficznym, podczas gdy incydent phishingowy z udziałem konta społecznościowego Coldcard pokazał, że bezpieczeństwo kryptońskie stoi w obliczu zagrożeń wykraczających poza oszustwa transakcyjne.