Coinbase 表示，其定制的 AI 代理在欺诈检测中表现优于领先的商业 AI 系统，同时对支付审查的响应速度大幅提升——在公司 Onramp 服务上的测试期间，欺诈交易减少 30%，欺诈交易金额减少 22%。

该代理基于 Qwen3.5-9B 构建，这是一款开源权重模型，Coinbase 工程师使用专有的内部交易数据对其进行了微调。首席执行官 Brian Armstrong 于 10 月 12 日讨论了这一结果，此前公司于上周发布了三部分组成的工程系列文章。

"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

Armstrong 在帖子中表示，这一结果指向一种更广泛的模式：在专有数据上微调的开源权重模型，能够以更低的成本和更高的速度在狭窄的专门任务上击败前沿系统。

AI 审查器减少 Onramp 欺诈

Coinbase 最初在其法币购买加密货币服务 Onramp 上，将这款 AI 审查器与现有的欺诈规则和机器学习检查并行部署。在一项在线实验中，公司记录到欺诈交易减少 30%，欺诈交易金额减少 22%。

该代理并非孤立地判断每笔支付，而是审查近期支付序列以评估可疑活动。这使其能够拦截已通过前期检查的支付，但其没有权限撤销已存在的拦截。该模型仅返回风险分类，最终交易决策由应用代码执行——公司表示，这一安排在保持自动化欺诈预防决策明确界限的同时，增强了交易安全性。

内部测试支持更小的微调模型

Coinbase 使用包含 16,140 笔交易、涉及 7,293 名用户（包括 813 起确认欺诈案例）的测试集对多款模型进行了比较。公司发现，一些较新的通用模型尽管在所标记交易的准确性上有所提升，却漏掉了更多欺诈行为。

工程师随后使用 Coinbase 的历史欺诈记录对拥有九十亿参数的开源权重模型 Qwen3.5-9B 进行了适配。据公司报告，训练在单个图形处理器上运行，成本不足 100 美元。

与 Anthropic 的 Opus 4.5 相比，适配后的模型 F1 分数提高了 9.6 个百分点。Coinbase 还报告称中位响应时间缩短 55%，其模型每次请求耗时 0.683 秒，而商业系统为 1.515 秒，这一数据基于生产环境测量。

这些发现来自公司自测，而非对模型在其他支付平台上表现的独立评估。因此，所报告的比较仅适用于 Coinbase 的交易审查工作流程和测试条件，而非对模型的总体排名。

对自动化决策的明确限制

Coinbase 表示，随着欺诈模式的变化，其模型需要持续测试，并由既定的应用规则控制系统行为。这一做法与安全公司 CertiK 上周发出的警告一致，即自主代理需要明确的界限和人类问责机制。对于 Coinbase 所描述的系统而言，随着欺诈模式变化持续监控分类是否仍然有效，将依然是结合这些应用规则运行该工具的一部分。

将专门化 AI 用于欺诈预防之际，区块链开发者正在探索其他安全应用。近期，借助 AI 发现了 XRP Ledger 的一个缺陷，进而修复了一个可能允许未经授权创建代币的漏洞。另一方面，Vitalik Buterin 关于 AI 与钱包安全的警告引发了人们的担忧，即先进系统也可能威胁现有的密码学保护机制；此外，涉及 Coldcard 社交账户的钓鱼事件表明，加密安全面临的威胁不仅限于交易欺诈。