资金费率
资金费率热力图
多空比
大户多空比
币安/欧易/火币大户多空比
Bitfinex杠杆多空比
账号安全
资讯收藏
自选币种
Brian Armstrong 分享微调后的 Qwen 成果
2026年10月12日，首席执行官 Brian Armstrong 表示，公司利用专有内部数据对开源权重 AI 系统 Qwen3.5-9B 进行了微调。根据其发布的内容显示，在特定任务上，该模型以更低成本和更高速度超越了前沿系统。这项任务正是 Coinbase 的欺诈预防。
这一公告为今日交易所采用 AI 的持续加密新闻流增添了新内容。Armstrong 预计，更多公司将构建狭窄的专业系统，而不是仅依赖通用系统。
Coinbase 欺诈预防的内部工作原理
该系统位于 Onramp 内部，Onramp 允许用户在合作应用中购买加密货币，包括无需账户的访客结账。由于访客历史较少，信号必须来自最近的交易。
现有的机器学习和规则引擎首先筛选支付请求。随后，AI 代理会结合近期活动作为上下文，审查选定的交易并返回一个紧凑的风险等级。它可以阻止第一层允许支付的交易，但无法推翻早期的拦截决定。
此前使用 Claude Opus进行的在线测试显示，欺诈交易减少了30%，欺诈价值降低了22%。预计节省的资金大约是推理成本的三倍
来源：官方 X 帖子
Qwen3.5-9B vs Opus 4.5：基准测试结果一览
在内部基准测试中，微调后的 Qwen 系统在四项检测指标上均优于 Opus 4.5。
指标 | 相比 Opus 4.5 的提升
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
在此场景下，美元加权召回率最为重要，因为它显示了捕获的欺诈价值量，而不仅仅是案件数量。数值为百分点差异，而非相对增益。
微调系统的延迟与训练成本
测量值 | Qwen3.5-9B | Opus 4.5
P50 延迟 | 0.683 秒 | 1.515 秒
P99 延迟 | 1.036 秒 | 3.312 秒
与实际流量相比，Opus 4.5 的中位延迟下降了 55%。训练在一块 NVIDIA RTXPRO 6000 96GB GPU 上进行，耗时不到 100 美元，使用了可验证奖励的强化学习和 LoRA（一种训练少量附加参数的方法）。服务部署使用了 L40S GPU，副本数在 2 到 8 之间扩展。
拥有开源权重模型如何改变经济结构
Armstrong 认为，前沿系统是通才，而专家可以在狭窄的任务中胜出。他还表示，某些后端服务可以完全由这种架构替代。对于 Coinbase 的欺诈预防而言，拥有权重带来了几个实际优势：
- 控制权：选择训练数据、检查点和升级时间
- 隐私性：交易上下文远离外部 API
- 可靠性：版本化的权重、提示词和决策策略
- 成本：小型微调系统可以替代更昂贵的通用系统
结果对加密货币交易所 AI 的启示
结果表明，Coinbase 的欺诈预防可能更倾向于使用小型微调系统，而不是仅依赖 API 的前沿系统。攻击模式不断变化，因此质量仍取决于持续的评估和重新训练，而不是单一的优良检查点。
值得关注的关键发展包括：
- 该方法是否延伸至其他支付风险审查和后端服务
- 新的基准测试结果，因为更早的内部测试显示，更新的前沿版本在召回率和 F1 分数上得分较低
- 关于该方法部署范围的更多细节
对于关注加密货币交易所新闻和加密货币 AI 的读者来说，这是一个具体的例子，证明了在单一狭窄任务上，专业化胜过规模化。Coinbase 的欺诈预防是值得关注的一个案例。
