کوین‌بیس یک مدل هوش مصنوعی وزن‌باز را برای شناسایی کلاهبرداری در پلتفرم خود تنظیم دقیق کرده است، پس از آنکه تست‌های داخلی نشان داد نسخه‌های جدیدتر مدل‌های پیشرو در واقع در چندین معیار تشخیص کلاهبرداری عملکرد بدتری نسبت به مدل‌هایی داشتند که جایگزین آنها شده بودند. این صرافی مدل Qwen3.5-9B را بر روی داده‌های تراکنش خود تنظیم کرد و برایان آرمسترانگ، مدیرعامل، گفت که نتیجه از مدل‌های پیشرو در پیشگیری از کلاهبرداری پیشی گرفت.
این اقدام اهمیت دارد زیرا خلاف این فرض است که بزرگ‌ترین و جدیدترین مدل همیشه ابزار درست است. برای یک کسب‌وکار متمرکز بر انطباق مانند یک صرافی، یک مدل کوچک‌تر که در داخل سازمان قرار دارد — و می‌توان آن را مستقیماً تنظیم کرد — ممکن است ارزشمندتر از یک مدل عمومی باشد که از طریق API شخص دیگری در دسترس است.
چرا مدل‌های جدیدتر شکست خوردند
کوین‌بیس مقایسه را بر روی یک محک ثابت از ۱۶,۱۴۰ تراکنش در میان ۷,۲۹۳ کاربر انجام داد. این مجموعه شامل ۸۱۳ تراکنش تأییدشده کلاهبرداری بود، که عددی است که واقعاً هنگام سنجش اینکه آیا یک مدل پرداخت‌های بد را شناسایی می‌کند یا فقط از هشدارهای نادرست اجتناب می‌کند، اهمیت دارد.
به گفته آرمسترانگ، نسخه‌های جدیدتر Opus، Sonnet و GPT در چندین معیار تشخیص کلاهبرداری نمره بدتری نسبت به پیشینیان خود کسب کردند. GPT-5.6 دقیق‌تر بود اما بازخوانی کمتری داشت، به این معنی که سهم کمتری از تراکنش‌های کلاهبرداری را شناسایی کرد. در کار مبارزه با کلاهبرداری، این مبادله تمام ماجراست: مدلی که به ندرت هشدار می‌دهد اما اجازه می‌دهد کلاهبرداری عبور کند، کار خود را انجام نمی‌دهد.
این نتایج کوین‌بیس را به سمت یک مدل وزن‌باز سوق داد که پارامترهای آن را می‌توان مستقیماً تطبیق داد نه اینکه فقط از طریق API یک ارائه‌دهنده در دسترس باشد. آرمسترانگ درس گسترده‌تر را ساده بیان کرد: مدل‌های پیشرو عمومی هستند، در حالی که مدل‌های تخصصی به طور فزاینده‌ای در وظایف محدود عملکرد بهتری دارند.
عامل هوش مصنوعی واقعاً چه کاری انجام می‌دهد
کوین‌بیس یک عامل ریسک هوش مصنوعی به مدل یادگیری ماشین و موتور قوانین موجود خود برای Onramp اضافه کرد، محصولی که به کاربران اجازه می‌دهد از طریق اپلیکیشن‌های شریک، از جمله پرداخت مهمان، رمزارز بخرند. این عامل به توالی تراکنش‌های اخیر نگاه می‌کند تا الگوهایی را بیابد که از یک پرداخت منفرد به تنهایی قابل مشاهده نیستند.
یک آزمایش آنلاین نشان داد در گروهی که بررسی اضافی هوش مصنوعی دریافت کرد، تراکنش‌های کلاهبرداری ۳۰٪ کمتر و ارزش کلاهبرداری ۲۲٪ کمتر بود.
این عامل با محدودیت‌ها کار می‌کند. یک امتیاز ریسک برمی‌گرداند و کد اپلیکیشن سیاست تصمیم را اعمال می‌کند. می‌تواند تراکنشی را که از بررسی‌های قبلی عبور کرده مسدود کند، اما نمی‌تواند یک مسدودسازی بالادستی را معکوس کند — یک سوپاپ یک‌طرفه که مانع از آن می‌شود لایه خودمختار کنترل‌های موجود را نادیده بگیرد.
سؤال ایمنی که Certik مطرح کرد
شرکت امنیتی Certik هشدار داد که عوامل امنیتی خودمختارتر خطرات خود را به همراه دارند: خروجی‌های نادرست و کاهش بررسی انسانی همزمان با یادگیری اعتماد مردم به ماشین. Certik محدودیت‌های واضح بر تصمیمات خودمختار و یک مالک مشخص برای هر عامل را توصیه کرد.
طراحی کوین‌بیس بخشی از آن را پاسخ می‌دهد. عامل پیشنهاد می‌دهد، کد اپلیکیشن اطراف تصمیم می‌گیرد و جهت فقط-مسدودسازی به این معنی است که نمی‌تواند تصمیمی را که در جای دیگری از پشته گرفته شده لغو کند. اینکه آیا یک مالک انسانی مشخص پشت هر عامل قرار دارد یا خیر، چیزی نیست که شرکت به طور عمومی جزئیات آن را اعلام کرده باشد.
زمان‌بندی تصادفی نیست. تیم‌های مبارزه با کلاهبرداری تحت فشار هستند تا بررسی را خودکار کنند بدون اینکه به یک مدل حرف آخر را بدهند، و داده‌های محکی که کوین‌بیس منتشر کرد خلاف رفلکس روی آوردن به بزرگ‌ترین مدل موجود هر زمان که مدل جدیدی عرضه می‌شود، عمل می‌کند.
آنچه هنوز حل نشده این است که Qwen3.5-9B تنظیم‌شده کوین‌بیس چگونه با تغییر الگوهای کلاهبرداری و با ورود دور بعدی مدل‌های پیشرو مقاومت می‌کند. این صرافی نگفته است که آیا قصد دارد مدل یا محک را برای بررسی خارجی منتشر کند — و تا زمانی که کسی تست را بر روی داده‌های تازه دوباره اجرا نکند، مقایسه بر اساس اعداد خود کوین‌بیس است.
