Coinbase使用自己的交易数据，微调了一款开源AI模型，专门用来识别欺诈交易。对比测试显示，这个定制模型识别效果比主流闭源大模型更好，反应速度也更快。交易所表示，专用模型在单一业务场景，性能可能超过通用大模型。他们把AI风控代理用在免注册的入金通道，测试后欺诈交易变少。下面小编简单梳理了Coinbase基于私有数据微调AI模型用于欺诈检测的动向。

该微调模型识别出的欺诈交易金额占比更高，这一指标有时比单纯统计检出笔数更为重要。

Coinbase基于自身私有交易数据对一款开源权重AI模型进行微调，在欺诈检测任务上性能超越主流闭源模型，检出指标更优，推理延迟更低。在一套由三篇文章组成的技术系列报道中，这家交易所提出观点：针对自身业务需求训练的专用模型，效果可能优于功能日益强大的通用人工智能系统。

Coinbase：更小体量模型实现更佳欺诈检测效果

Coinbase首席执行官布莱恩・阿姆斯特朗在10月12日的文章中介绍，公司利用内部数据对Qwen3.5-9B进行微调，发现在欺诈防范这一专项任务上，该模型“性能超越前沿大模型，同时成本更低、响应更快”。

这并不代表小型模型在所有场景都更强，而是模型表现取决于其训练对应的任务类型。

“前沿大模型是出色的通用能手，”阿姆斯特朗写道，“但你会越来越多地看到，专用模型在细分任务上实现反超，它们既可协同组队，也能独立完成工作。”

Coinbase的《自主智能》系列文章介绍了这套方案的迭代过程。公司首先在现有机器学习模型与规则引擎基础上，为入金通道（Onramp）新增AI风险代理。Onramp支持用户通过合作应用购买加密货币，无需注册Coinbase账户即可访客结账。

线上对照实验显示，启用这套AI复核机制的实验组，欺诈交易笔数减少30%，欺诈涉及金额下降22%。该AI代理会分析近期连续交易序列，识别单笔支付无法显现的风险模式。它可以拦截通过初检的交易，但无法撤销上游环节已经做出的拦截操作。

随后Coinbase使用包含7293名用户、16140笔交易（其中813笔已确认欺诈交易）的固定基准数据集，对多个新版闭源模型开展测试。测试发现新版Opus、Sonnet与GPT模型在多项欺诈检测指标上，表现不如旧版本。

GPT-5.6的精确率有所提升，但召回率下降，意味着识别出的欺诈交易占比变少。该结果促使公司转向开源权重模型，可直接修改模型参数，而不是仅通过服务商API调用。

AI自主权限引发风险警示

Coinbase这套方案，也属于AI代理用于金融犯罪与安全风控大讨论的一部分。CertiK上周发出提醒：自主性更强的安全智能体，会存在输出错误、人工审核弱化等风险。该机构建议对自主决策设置明确限制，并且为每一个AI代理指定负责人。

不过这家加密交易所的AI代理设有这类约束：仅输出风险评分，由应用代码执行决策策略。AI可以拦截前期校验放行的交易，但不能推翻已经生效的拦截指令。