Coinbase 表示,其專用 AI Agent 在詐欺偵測方面的表現超越領先的商業 AI 系統,同時對支付審查的回應速度大幅提升。在該公司 Onramp 服務的測試期間,詐欺交易減少 30%,詐欺交易金額減少 22%。

該 Agent 以 Qwen3.5-9B 為基礎打造,這是一個開放權重模型,由 Coinbase 工程師以專有的內部交易數據進行微調。執行長 Brian Armstrong 於 10 月 12 日發表此結果,此前該公司於前一週發布了三篇系列工程文章。

"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) 2026年10月11日

Armstrong 在貼文中指出,這一結果反映出更廣泛的趨勢:以專有數據微調的開放權重模型,能以更低的成本和更高的速度,在狹窄的專門任務上擊敗前沿系統。

AI 審查員減少 Onramp 詐欺

Coinbase 最初在其法幣購買加密貨幣服務 Onramp 上,將 AI 審查員與現有的詐欺規則和機器學習檢查並行部署。在一項線上實驗中,該公司錄得詐欺交易減少 30%,詐欺交易金額減少 22%。

該 Agent 並非單獨判斷每筆支付,而是審查近期的支付序列以評估可疑活動。這使其能夠攔截先前已通過檢查的支付,但並無權限撤銷已生效的封鎖。該模型僅回傳風險分類,最終的交易決策由應用程式碼執行——該公司表示,這種安排在加強交易安全的同時,對自動化詐欺防範決策保持了明確的限制。

內部測試支持較小的微調模型

Coinbase 使用包含 16,140 筆交易、涉及 7,293 名用戶(其中包括 813 起確認詐欺案例)的測試集比較了多個模型。該公司發現,部分較新的通用模型儘管在所標記交易的準確性上有所改善,卻漏掉了更多的詐欺行為。

工程師隨後以 Coinbase 的歷史詐欺紀錄對 90 億參數的開放權重模型 Qwen3.5-9B 進行調整。據該公司報告,訓練在單一圖形處理器上進行,成本低於 100 美元。

相較於 Anthropic 的 Opus 4.5,該微調模型的 F1 分數提高了 9.6 個百分點。Coinbase 也報告其中位數回應時間快 55%,基於生產環境測量,其每次請求耗時 0.683 秒,而商業系統為 1.515 秒。

這些結果來自公司自行進行的測試,而非對各模型在其他支付平台上表現的獨立評估。因此,所報告的比較僅適用於 Coinbase 的交易審查工作流程和測試條件,而非對各模型的通用排名。

對自動化決策的明確限制

Coinbase 表示,隨著詐欺模式的變化,其模型需要持續測試,並由既定的應用程式規則控制系統的行為。這一做法與資安公司 CertiK 上週的警告一致,即自主代理需要明確的限制和人類問責機制。對於 Coinbase 所描述的系統而言,在詐欺模式變化時持續監控分類是否仍然有效,將是配合那些應用程式規則運行該工具的必要環節。

以專門 AI 進行詐欺防範之際,區塊鏈開發者也在探索其他安全應用。近期一項由 AI 協助發現的 XRP Ledger 缺陷,促成了一個可能允許未經授權代幣創建的漏洞的修復。另外,Vitalik Buterin 對 AI 與錢包安全的警告引發了對先進系統可能威脅現有密碼學保護的擔憂,而涉及 Coldcard 社群帳號的網路釣魚事件也顯示,加密安全面臨著交易詐欺之外的威脅。