A Coinbase finomhangolt egy nyílt súlyú AI-modellt, hogy csalásokat fogjon el platformján, miután belső tesztek azt mutatták, hogy az élvonalbeli modellek újabb verziói több csalásészlelési mutatóban is rosszabbul teljesítettek, mint az általuk leváltott modellek. A tőzsde a Qwen3.5-9B modellt hangolta finomra saját tranzakciós adatain, és Brian Armstrong vezérigazgató szerint az eredmény felülmúlta az élvonalbeli modelleket a csalásmegelőzésben.
A lépés azért fontos, mert ellentmond annak a feltételezésnek, hogy a legnagyobb, legújabb modell mindig a megfelelő eszköz. Egy megfelelőség-orientált vállalkozás, mint egy tőzsde számára egy kisebb, házon belül működő – és közvetlenül módosítható – modell többet érhet, mint egy általános célú modell, amelyet valaki más API-ján keresztül ér el.
Miért veszítettek az újabb modellek
A Coinbase egy rögzített benchmarkon hasonlította össze a modelleket: 16 140 tranzakció 7 293 felhasználótól. Ez a halmaz 813 igazolt csalárd tranzakciót tartalmazott, ami az a szám, amely valójában számít, amikor azt méri, hogy egy modell elkapja-e a rossz kifizetéseket, vagy csak elkerüli a téves riasztásokat.
Armstrong szerint az újabb Opus, Sonnet és GPT verziók több csalásészlelési mutatóban is rosszabbul teljesítettek elődeiknél. A GPT-5.6 pontosabb volt, de alacsonyabb volt a recall értéke, ami azt jelenti, hogy a csalárd tranzakciók kisebb hányadát azonosította. A csalások elleni munkában ez a kompromisszum az egész lényeg: egy modell, amely ritkán kiabál farkast, de átengedi a csalást, nem végzi el a dolgát.
Ezek az eredmények a Coinbase-t egy nyílt súlyú modell felé terelték, amelynek paraméterei közvetlenül adaptálhatók, nem csak egy szolgáltató API-ján keresztül érhetők el. Armstrong egyszerűen fogalmazta meg a tágabb tanulságot: az élvonalbeli modellek általános célúak, míg a szakmodellt egyre inkább felülmúlják szűk feladatokon.
Mit tesz valójában az ügynök
A Coinbase egy AI kockázati ügynököt adott meglévő gépi tanulási modelljéhez és szabálymotorjához az Onramp számára, amely termék lehetővé teszi a felhasználók számára, hogy partneralkalmazásokon keresztül kriptót vásároljanak, beleértve a vendégfizetést is. Az ügynök a legutóbbi tranzakciós sorozatokat vizsgálja, hogy olyan mintákat találjon, amelyek egyetlen fizetésből izoláltan nem láthatók.
Egy online kísérlet 30%-kal kevesebb csalárd tranzakciót és 22%-kal kevesebb csalási értéket talált abban a csoportban, amely kiegészítő AI-ellenőrzést kapott.
Az ügynök korlátokkal működik. Kockázati pontszámot ad vissza, és az alkalmazáskód alkalmazza a döntési szabályzatot. Blokkolhat egy tranzakciót, amely átment a korábbi ellenőrzéseken, de nem tud visszafordítani egy upstream blokkot – egy egyirányú szelep, amely megakadályozza, hogy az autonóm réteg felülírja a meglévő kontrollokat.
A Certik által felvetett biztonsági kérdés
A Certik biztonsági cég figyelmeztetett, hogy a több autonóm biztonsági ügynök saját kockázatokat hordoz: helytelen kimeneteket és csökkent emberi felügyeletet, ahogy az emberek megtanulnak bízni a gépben. A Certik világos korlátokat javasolt az autonóm döntésekhez és egy név szerinti felelőst minden ügynökhöz.
A Coinbase tervezése részben válaszol erre. Az ügynök javasol, a környező alkalmazáskód dönt, és a csak blokkoló irány azt jelenti, hogy nem tud visszavonni egy máshol a stackben hozott döntést. Hogy minden ügynök mögött van-e név szerinti emberi felelős, azt a vállalat nyilvánosan nem részletezte.
Az időzítés nem véletlen. A csaláskezelő csapatok nyomás alatt állnak, hogy automatizálják az ellenőrzést anélkül, hogy a modellnek adják a végső szót, és a Coinbase által közzétett benchmark-adatok ellentmondanak annak a reflexnek, hogy minden új modell megjelenésekor a legnagyobb elérhető modellhez nyúljunk.
Ami még nem tisztázott, az az, hogy a Coinbase finomhangolt Qwen3.5-9B modellje hogyan állja meg a helyét, ahogy a csalási minták változnak és ahogy a következő élvonalbeli modellek megérkeznek. A tőzsde nem mondta meg, hogy tervezi-e közzétenni a modellt vagy a benchmarkot külső felülvizsgálatra – és amíg valaki újra le nem futtatja a tesztet friss adatokon, az összehasonlítás a Coinbase saját számain áll.
