Coinbase сообщила, что её специализированный ИИ-агент превзошёл ведущую коммерческую ИИ-систему в выявлении мошенничества и значительно быстрее отвечал при проверке платежей, сократив в ходе тестирования на сервисе Onramp число мошеннических транзакций на 30%, а их объём — на 22%.

Агент построен на Qwen3.5-9B — модели с открытыми весами, которую инженеры Coinbase дообучили на собственных внутренних транзакционных данных. Генеральный директор Брайан Армстронг обсудил результаты 12 октября, после трёхчастной серии инженерных публикаций, выпущенной компанией на прошлой неделе.

"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) 11 октября 2026 г.

В публикации Армстронг предположил, что результат указывает на более широкую закономерность: модели с открытыми весами, дообученные на собственных данных, способны обойти frontier-системы в узких специализированных задачах при меньших затратах и большей скорости.

ИИ-проверка сокращает мошенничество на Onramp

Изначально Coinbase добавила ИИ-проверку к существующим правилам по борьбе с мошенничеством и алгоритмам машинного обучения на сервисе Onramp, предназначенном для покупки криптовалюты за фиатные средства. В онлайн-эксперименте компания зафиксировала на 30% меньше мошеннических транзакций и снижение объёма мошеннических операций на 22%.

Вместо оценки каждого платежа по отдельности агент анализировал последовательности недавних платежей для выявления подозрительной активности. Это позволяло ему остановить платёж, прошедший предыдущие проверки, хотя у него не было права отменять уже действующую блокировку. Модель выдавала только классификацию рисков, а окончательные решения по транзакциям применял код приложения — по словам компании, такая схема усиливает безопасность транзакций и сохраняет чёткие ограничения на автоматизированные решения по предотвращению мошенничества.

Внутренние тесты подтверждают эффективность меньшей модели

Coinbase сравнила несколько моделей на тестовом наборе из 16 140 транзакций с участием 7 293 пользователей, включая 813 подтверждённых случаев мошенничества. Компания установила, что некоторые новые модели общего назначения пропускали больше мошенничества, несмотря на повышение точности помеченных транзакций.

Затем инженеры адаптировали Qwen3.5-9B — модель с открытыми весами на девять миллиардов параметров — с использованием исторических данных Coinbase о мошенничестве. Согласно отчёту компании, обучение проходило на одном графическом процессоре и стоило менее 100 долларов.

Против Opus 4.5 адаптированная модель улучшила показатель F1 на 9,6 процентного пункта. Coinbase также сообщила о медианном времени отклика на 55% ниже: её модель обрабатывала запрос за 0,683 секунды против 1,515 секунды у коммерческой системы, согласно производственным измерениям.

Результаты основаны на тестах компании, а не на независимой оценке работы моделей на других платёжных платформах. Поэтому приведённое сравнение относится к рабочему процессу проверки транзакций Coinbase и условиям тестирования, а не является общим рейтингом моделей.

Чёткие ограничения на автоматизированные решения

Coinbase сообщила, что её модель требует продолжения тестирования по мере изменения схем мошенничества, а действия системы контролируются установленными правилами приложения. Такой подход согласуется с предупреждением компании в области безопасности CertiK на прошлой неделе о том, что автономным агентам необходимы чёткие ограничения и подотчётность человеку. Для системы, описанной Coinbase, мониторинг эффективности классификаций по мере изменения схем мошенничества останется частью эксплуатации инструмента наряду с этими правилами приложения.

Применение специализированного ИИ для предотвращения мошенничества происходит на фоне того, как разработчики блокчейнов исследуют другие применения в сфере безопасности. Недавно обнаруженная с помощью ИИ уязвимость в XRP Ledger привела к исправлению ошибки, которая могла бы позволить несанкционированное создание токенов. Отдельно предупреждение Виталика Бутерина об ИИ и безопасности кошельков вызвало опасения, что продвинутые системы могут угрожать и существующим криптографическим механизмам защиты, а инцидент с фишингом, связанный с социальными аккаунтами Coldcard, показал, что криптобезопасность сталкивается с угрозами за пределами транзакционного мошенничества.