Coinbase донастроїла open-weight AI-модель для виявлення шахрайства на своїй платформі після того, як внутрішні тести показали, що новіші версії фронтирних моделей насправді працювали гірше за кількома показниками виявлення шахрайства, ніж моделі, які вони замінили. Біржа налаштувала Qwen3.5-9B на власних даних транзакцій, і генеральний директор Браян Армстронг заявив, що результат перевершив фронтирні моделі у запобіганні шахрайству.
Цей крок важливий, оскільки він суперечить припущенню, що найбільша й найновіша модель — це завжди правильний інструмент. Для бізнесу з високими вимогами до комплаєнсу, як-от біржа, менша модель, яка працює всередині компанії — і яку можна безпосередньо коригувати — може бути ціннішою за універсальну модель, доступну через чужий API.
Чому новіші моделі програли
Coinbase провела порівняння на фіксованому бенчмарку з 16 140 транзакцій від 7 293 користувачів. Цей набір містив 813 підтверджених шахрайських транзакцій — саме це число має значення, коли ви вимірюєте, чи модель виявляє погані платежі, чи лише уникає хибних тривог.
За словами Армстронга, новіші версії Opus, Sonnet і GPT показали гірші результати за кількома показниками виявлення шахрайства, ніж їхні попередники. GPT-5.6 була точнішою, але мала нижчу повноту, тобто виявляла меншу частку шахрайських транзакцій. У сфері боротьби з шахрайством цей компроміс — це вся суть: модель, яка рідко піднімає тривогу, але пропускає шахрайство, не виконує свою роботу.
Ці результати підштовхнули Coinbase до open-weight моделі, параметри якої можна адаптувати безпосередньо, а не лише через API провайдера. Армстронг сформулював ширший урок просто: фронтирні моделі — це універсали, тоді як спеціалізовані моделі дедалі частіше перевершують їх у вузьких завданнях.
Що насправді робить агент
Coinbase додала AI-агента з оцінки ризиків до своєї наявної моделі машинного навчання та системи правил для Onramp — продукту, який дозволяє користувачам купувати криптовалюту через партнерські застосунки, включно з гостьовим оформленням замовлення. Агент аналізує послідовності нещодавніх транзакцій, щоб виявити патерни, які не видно з окремого платежу.
Онлайн-експеримент показав на 30% менше шахрайських транзакцій і на 22% меншу суму шахрайства в групі, яка отримала додаткову AI-перевірку.
Агент працює з обмеженнями. Він повертає оцінку ризику, а код застосунку застосовує політику рішень. Він може заблокувати транзакцію, яка пройшла попередні перевірки, але не може скасувати блокування, зроблене вище за потоком — це односторонній клапан, який не дає автономному шару переважати наявні засоби контролю.
Питання безпеки, яке порушила Certik
Компанія з кібербезпеки Certik попередила, що більша кількість автономних агентів безпеки несе власні ризики: неправильні результати та зменшення людського контролю, коли люди звикають довіряти машині. Certik рекомендувала чіткі обмеження на автономні рішення та призначеного відповідального для кожного агента.
Дизайн Coinbase відповідає на частину цього. Агент пропонує, навколишній код застосунку вирішує, а напрямок «лише блокування» означає, що він не може скасувати рішення, ухвалене деінде в стеку. Чи стоїть за кожним агентом призначена людина-відповідальна, компанія публічно не деталізувала.
Час не випадковий. Команди з боротьби з шахрайством перебувають під тиском автоматизувати перевірку, не віддаючи моделі останнє слово, а дані бенчмарку, які опублікувала Coinbase, суперечать рефлексу щоразу хапатися за найбільшу доступну модель, коли виходить нова.
Що досі не вирішено — це те, наскільки налаштована Qwen3.5-9B від Coinbase витримає, коли зміняться патерни шахрайства і коли з'явиться наступна хвиля фронтирних моделей. Біржа не повідомила, чи планує публікувати модель або бенчмарк для зовнішньої перевірки — і поки хтось не перезапустить тест на свіжих даних, порівняння спирається на власні цифри Coinbase.
