币圈界报道：

Coinbase微调Qwen模型实现欺诈识别新突破

2026年10月12日，首席执行官 Brian Armstrong 公布，公司基于自有数据对开源模型 Qwen3.5-9B 进行深度优化，成功构建出专用于反欺诈任务的定制化AI系统。该系统在关键指标上显著优于当前主流前沿模型，同时大幅降低推理延迟与部署成本。

专用反欺诈系统嵌入Onramp支付链路

该智能审查模块部署于 Coinbase 的 Onramp 平台，支持无账户访客直接购买加密资产。由于缺乏历史行为数据，系统依赖实时交易上下文进行风险判断。初始阶段由规则引擎与传统机器学习筛选高风险请求，随后由微调后的AI代理结合最新活动动态评估，输出精简风险评分，可即时拦截可疑交易，但不干预已触发的前置拦截决策。

早期测试已验证显著成效

此前采用 Claude Opus 的在线实验表明，欺诈交易数量下降30%，涉及金额减少22%。据估算，由此节省的潜在损失约为模型推理支出的三倍，凸显其经济价值。

微调版Qwen在四项核心指标全面领先

内部基准测试显示，优化后的 Qwen3.5-9B 在四项关键性能维度均超越 Opus 4.5：

精确度 (Precision) | +7.5 点

召回率 (Recall) | +12.0 点

F1 分数 | +9.6 点

美元加权召回率 (Dollar-weighted recall) | +35.4 点

其中，美元加权召回率是衡量实际防止损失价值的核心指标，差异以绝对百分点计算，体现真实防护能力提升。

延迟压缩与极低成本训练

性能对比数据显示：

P50 延迟 | 0.683 秒（Qwen） vs 1.515 秒（Opus）

P99 延迟 | 1.036 秒（Qwen） vs 3.312 秒（Opus）

相较之下，中位延迟改善达55%。模型训练仅使用单块 NVIDIA RTXPRO 6000 96GB GPU，耗资低于100美元，通过可验证奖励的强化学习与LoRA技术完成。服务端则基于 L40S GPU 实现副本数2至8之间的弹性扩展。

开源权重重塑企业级AI经济模型

Armstrong 强调，通用大模型虽具广泛适应性，但在特定场景下，专家型系统更具优势。拥有原始权重意味着企业在控制权、隐私保护、系统稳定性及成本结构上获得实质性主动权。对于欺诈防控而言，具体益处包括：

  • 控制权：自主决定训练数据集、检查点版本与升级节奏
  • 隐私性：敏感交易上下文无需外传至第三方API
  • 可靠性：权重、提示词与策略实现版本化管理，保障一致性
  • 成本：小规模微调系统可替代高价通用接口，显著压降长期支出

对行业生态的深层启示

该案例揭示，面对持续演化的攻击模式，单一优质模型不足以维持防御力，持续迭代与动态评估才是关键。未来可能拓展至其他支付风险领域，并引发新一轮基准测试更新。值得关注的进展包括：该方法是否向更多后端服务延伸、新版本前沿模型的实际表现、以及系统部署范围的透明化程度。

此实践为加密交易所如何构建高效、可控且高性价比的AI基础设施提供了清晰范本——在狭窄任务中，专业胜过泛化。