Генеральный директор Coinbase: «Искусственный интеллект, обученный на собственных данных, демонстрирует высокую эффективность в обнаружении мошенничества»

[Журналист Хам Джи Хён, Block Media] Coinbase использует модель искусственного интеллекта (AI) с открытыми весами, обученную на собственных данных о платежах, и достигла более высокой эффективности в обнаружении мошенничества по сравнению с универсальными моделями.

Генеральный директор Брайан Армстронг сообщил 12 октября (по местному времени) через X, что «в результате тонкой настройки модели Qwen 3.5-9B, обученной на эксклюзивных внутренних данных Coinbase, была достигнута значительно более высокая эффективность в области предотвращения мошенничества при гораздо более низких затратах и более высокой скорости по сравнению с фронтирными моделями».

Он отметил, что «фронтирные модели являются отличными универсальными моделями, но в будущем мы увидим, что специализированные модели будут демонстрировать более высокую эффективность в более узких областях, работая как самостоятельно, так и в команде с другими моделями».

В опубликованных Армстронгом результатах онлайн-вычислений также была четко видна разница в скорости. Медиана времени обработки обычных запросов (P50) для Qwen 3.5-9B составила 0,683 секунды, что примерно на 55% быстрее, чем 1,515 секунды для Opus 4.5.

Даже в 99-м процентиле (P99), который показывает ситуации с высокой задержкой, Qwen 3.5-9B показал 1,036 секунды, что значительно быстрее, чем 3,312 секунды для Opus 4.5. P99 означает, что 99% всех запросов обрабатываются в это время, что свидетельствует о том, что скорость обработки модели Qwen была относительно стабильной даже в условиях высокой нагрузки или задержек в ответах.

Мы смогли тонко настроить модель с открытыми весами (Qwen 3.5-9B) на собственных внутренних данных в @coinbase, и она превзошла фронтирные модели при гораздо более низких затратах и скорости для специализированной задачи (в данном случае предотвращение мошенничества).

Я думаю, что мы увидим больше такого паттерна внутри компаний. Фронтирные модели являются удивительными универсалами. Но все чаще вы будете видеть, как специализированные модели превосходят в более узких задачах, работая в командах или самостоятельно.

Мы упрощаем процесс тонкой настройки моделей для наших сотрудников. У нас даже есть функция для этого в нашей внутренней системе, которая облегчает запуск и обучение:

"/fine-tune-and-serve-llm Я хочу тонко настроить Qwen для проверки рисков платежей. Помогите мне начать"

Я предполагаю, что у нас будут некоторые бэкенд-сервисы, которые могут быть полностью заменены этой новой архитектурой.

--- Брайан Армстронг (@brian_armstrong) 11 октября 2026 года

Coinbase недавно опубликовала в своем блоге процесс создания системы обнаружения мошенничества в платежах для сервиса покупки цифровых активов "Onramp".

Onramp — это сервис, который позволяет пользователям напрямую приобретать цифровые активы через партнерские приложения. Пользователи без учетной записи Coinbase также могут производить платежи в режиме гостя, что требует от системы определения мошеннических транзакций даже при недостатке информации о прошлых учетных записях пользователей.

Coinbase добавила к существующим моделям машинного обучения (ML) и системам обнаружения на основе правил риск-агента на основе больших языковых моделей (LLM). Если существующая система быстро проверяет отдельные транзакции, то агент LLM анализирует аномальные паттерны, возникающие в нескольких транзакциях, рассматривая недавнюю последовательность транзакций, временные интервалы, изменения способов оплаты и места назначения транзакций.

В онлайн-эксперименте группа, в которой был добавлен агент LLM к существующим моделям ML и правилам, показала снижение числа мошеннических транзакций на 30% и суммы мошеннических транзакций на 22% по сравнению с существующей системой.

Однако эта система отличается от "агентских платежей", где AI непосредственно выполняет платежи. AI не выполняет платежи, а оценивает уровень риска транзакции. Фактическое одобрение или блокировка осуществляется существующей системой управления рисками приложения.

Coinbase использовала Claude Opus на начальном этапе системы. Она вводила информацию о транзакциях объемом около 7000 токенов и выводила только уровень риска, чтобы сократить время ответа. Медиана времени задержки вызова LLM составила около 1,5 секунды.

Затем Coinbase, вместо того чтобы полагаться на внешние универсальные модели, обучила Qwen 3.5-9B на собственных данных. По данным компании, эта модель превзошла Claude Opus 4.5 по всем четырем показателям, связанным с обнаружением мошенничества. Общая эффективность обнаружения мошенничества, выраженная в F1-оценке, была на 9,6% выше, а время задержки ответа в реальной сервисной среде сократилось на 55%.

Coinbase также создает среду для тонкой настройки, чтобы сотрудники могли создавать специализированные модели внутри компании. Генеральный директор Армстронг объяснил, что вводя команды в внутренней AI-системе, можно обучить модели, такие как Qwen, для конкретных задач и развернуть их в сервисной среде.

Пример команды, которую он привел: "Я хочу тонко настроить Qwen для проверки рисков платежей. Помогите мне начать".

Генеральный директор Армстронг также отметил, что такая структура может заменить не только простые инструменты AI, но и существующие корпоративные системы. Он сказал: "Я думаю, что некоторые бэкенд-сервисы могут быть полностью заменены этой новой структурой".

Пример Coinbase показывает, что в будущем компании будут двигаться в сторону создания специализированных моделей, обученных на собственных данных, вместо того чтобы просто использовать универсальные модели. В таких областях, как обнаружение мошенничества, где рабочая область четко определена и накоплены правильные данные, небольшие специализированные модели могут превзойти универсальные модели по затратам, скорости и точности.

Этот контент предоставляется исключительно в общих информационных целях и не является финансовым, инвестиционным, юридическим или налоговым советом. Любые мероприятия, вознаграждения, онлайн-акции или связанная с ними информация, упомянутые в настоящем документе, не должны рассматриваться как рекомендация, приглашение к покупке, продаже, торговле или иной сделке с какими-либо криптоактивами. Криптоактивы очень волатильны и могут привести к убыткам. Доступность услуг, продуктов WEEX и связанных с ними событий может варьироваться в зависимости от региона. Вы несете ответственность за обеспечение того, чтобы ваше участие соответствовало применимым местным законам и нормативным актам.