Coinbase ka përsosur një model AI me peshë të hapur për të kapur mashtrimet në platformën e tij, pasi testet e brendshme zbuluan se versionet më të reja të modeleve kufitare në fakt performuan më keq në disa masa të zbulimit të mashtrimeve sesa modelet që zëvendësuan. Bursa përsosi Qwen3.5-9B në të dhënat e veta të transaksioneve, dhe CEO Brian Armstrong tha se rezultati mundi modelet kufitare për parandalimin e mashtrimeve.
Ky veprim ka rëndësi sepse shkon kundër supozimit se modeli më i madh dhe më i ri është gjithmonë mjeti i duhur. Për një biznes me përputhshmëri të lartë si një bursë, një model më i vogël që qëndron brenda ndërmarrjes — dhe mund të rregullohet drejtpërdrejt — mund të vlejë më shumë sesa një model gjeneralist i arritur përmes API-së së dikujt tjetër.
Pse modelet më të reja humbën
Coinbase e kreu krahasimin në një benchmark fiks prej 16,140 transaksionesh në 7,293 përdorues. Ky grup përfshinte 813 transaksione të konfirmuara mashtruese, që është numri që ka vërtet rëndësi kur matni nëse një model kap pagesa të këqija apo thjesht shmang alarmet e rreme.
Sipas Armstrong, versionet më të reja të Opus, Sonnet dhe GPT shënuan rezultate më të këqija në disa masa të zbulimit të mashtrimeve sesa paraardhësit e tyre. GPT-5.6 ishte më i saktë por kishte recall më të ulët, që do të thotë se identifikoi një pjesë më të vogël të transaksioneve mashtruese. Në punën e mashtrimeve, ky kompromis është gjithçka: një model që rrallë bërtet ujk por lejon mashtrimin të kalojë nuk po e bën punën.
Këto rezultate e shtynë Coinbase drejt një modeli me peshë të hapur, parametrat e të cilit mund të përshtateshin drejtpërdrejt në vend që të arriheshin vetëm përmes API-së së një ofruesi. Armstrong e formuloi mësimin më të gjerë thjesht: modelet kufitare janë gjeneralistë, ndërsa modelet specialiste po performojnë gjithnjë e më mirë në detyra të ngushta.
Çfarë bën në të vërtetë agjenti
Coinbase shtoi një agjent rreziku AI në modelin e tij ekzistues të mësimit makinerik dhe motorin e rregullave për Onramp, produktin që u lejon përdoruesve të blejnë kripto përmes aplikacioneve partnere, duke përfshirë blerjen si mysafir. Agjenti shikon sekuencat e fundit të transaksioneve për të dalluar modele që nuk janë të dukshme nga një pagesë e vetme e izoluar.
Një eksperiment online zbuloi 30% më pak transaksione mashtruese dhe 22% më pak vlerë mashtrimi në grupin që mori rishikimin shtesë të AI.
Agjenti funksionon me kufizime. Ai kthen një rezultat rreziku, dhe kodi i aplikacionit zbaton politikën e vendimit. Ai mund të bllokojë një transaksion që ka kaluar kontrollet e mëparshme, por nuk mund të anulojë një bllokim të mëparshëm — një valvul njëdrejtimëshe që pengon shtresën autonome të anashkalojë kontrollet ekzistuese.
Çështja e sigurisë që ngriti Certik
Firma e sigurisë Certik paralajmëroi se agjentët më autonomë të sigurisë sjellin rreziqe të tyre: rezultate të pasakta dhe shqyrtim njerëzor të reduktuar ndërsa njerëzit mësojnë t'i besojnë makinës. Certik rekomandoi kufizime të qarta për vendimet autonome dhe një pronar të emëruar për çdo agjent.
Dizajni i Coinbase i përgjigjet pjesërisht kësaj. Agjenti propozon, kodi i aplikacionit përreth vendos, dhe drejtimi vetëm-bllokim do të thotë që ai nuk mund të anulojë një vendim të marrë diku tjetër në stack. Nëse një pronar njerëzor i emëruar qëndron pas çdo agjenti nuk është diçka që kompania e ka detajuar publikisht.
Koha nuk është e rastësishme. Ekipet e mashtrimeve janë nën presion për të automatizuar rishikimin pa i dhënë një modeli fjalën përfundimtare, dhe të dhënat e benchmark-ut që Coinbase publikoi shkojnë kundër refleksit për të zgjedhur modelin më të madh sa herë që del një i ri.
Ajo që mbetet e pazgjidhur është se si Qwen3.5-9B i përsosur i Coinbase qëndron ndërsa modelet e mashtrimeve ndryshojnë dhe ndërsa raundi i ardhshëm i modeleve kufitare zbarkon. Bursa nuk ka thënë nëse planifikon të publikojë modelin ose benchmark-un për rishikim të jashtëm — dhe derisa dikush ta rikryejë testin në të dhëna të freskëta, krahasimi qëndron në numrat e vetë Coinbase.
