کوین‌بیس مدعی شد مدل هوش مصنوعی کوچک‌ترش در شناسایی کلاهبرداری بهتر از مدل‌های گران‌قیمت عمل می‌کند
صرافی ارز دیجیتال کوین‌بیس اعلام کرده است که با آموزش یک مدل هوش مصنوعی نسبتاً کوچک، توانسته است در شناسایی کلاهبرداری‌ها عملکردی بهتر از برخی از گران‌ترین سیستم‌های هوش مصنوعی موجود در بازار داشته باشد.
هوش مصنوعی کوچکتر، عملکرد بهتر
کوین‌بیس در سری مقالات وبلاگ خود با عنوان “مالکیت هوش” که در تاریخ ۷ تا ۸ اکتبر ۲۰۲۶ منتشر شد، بیان داشت که نسخه تنظیم‌شده مدل Qwen3.5-9B از شرکت Alibaba، در تشخیص کلاهبرداری برای سرویس Onramp این صرافی، از مدل‌های پیشرفته‌تر بازار پیشی گرفته است. این مدل کوچکتر، هم سریع‌تر و هم بسیار ارزان‌تر برای آموزش بوده است.
عامل ریسک کلاهبرداری مبتنی بر LLM
این پروژه بر روی یک عامل ریسک کلاهبرداری مبتنی بر مدل‌های زبان بزرگ (LLM) متمرکز است که به طور خاص برای Onramp، سرویس خرید ارز دیجیتال کوین‌بیس، طراحی شده است. این عامل در بالای مدل‌های یادگیری ماشین موجود کوین‌بیس قرار می‌گیرد و تراکنش‌هایی را که قبلاً توسط این سیستم‌ها پردازش شده‌اند، بررسی می‌کند.
خروجی محدود و مؤثر
خروجی این عامل به طور عمدی محدود است. این عامل تنها سطح ریسک را برمی‌گرداند و هیچ اطلاعات دیگری ارائه نمی‌دهد، بنابراین سیستم‌های بالادستی بدون تغییر به کار خود ادامه می‌دهند.
نتایج قابل توجه در تست A/B
نتایج حاصل از تست A/B معنادار بوده است. کوین‌بیس اعلام کرد که این عامل توانسته است تراکنش‌های کلاهبردارانه را ۳۰ درصد کاهش دهد و ارزش دلاری کلاهبرداری‌ها را ۲۲ درصد پایین بیاورد. برآورد می‌شود که این صرفه‌جویی‌ها سه برابر هزینه اجرای مدل باشد.
معیار سنجش اختصاصی
برای مقایسه مدل‌ها، کوین‌بیس یک معیار سنجش اختصاصی برای کلاهبرداری در سرویس Onramp ایجاد کرده است. این معیار شامل ۱۶,۱۴۰ تراکنش است که از این تعداد، ۸۱۳ مورد موارد تأیید شده کلاهبرداری بوده‌اند.
رقابت با مدل‌های پیشرفته
کوین‌بیس مدل Qwen3.5-9B را با استفاده از یادگیری تقویتی تنظیم کرده است. سپس این مدل تنظیم‌شده در رقابتی مستقیم با سیستم‌های پیشرفته، از جمله Opus 4.5 از شرکت Anthropic، قرار گرفت.
مدل ۹ میلیارد پارامتری در چهار معیار کلیدی برتری داشت: دقت (precision)، بازیابی (recall)، امتیاز F1 (F1 score) و بازیابی وزنی دلاری (dollar-weighted recall). حاشیه برتری این مدل بین ۷.۵ تا ۳۵.۴ درصد بوده است.
سرعت و هزینه
سرعت نیز به نفع مدل کوچکتر بود. Qwen میانگین تأخیر (latency) ۰.۶۸۳ ثانیه را ثبت کرد، در حالی که این رقم برای Opus 4.5 برابر با ۱.۵۱۵ ثانیه بود. این کاهش ۵۵ درصدی را نشان می‌دهد.
هزینه آموزش مدل Qwen نیز قابل توجه است. کوین‌بیس اعلام کرد که هزینه آموزش این مدل کمتر از ۱۰۰ دلار با استفاده از یک پردازنده گرافیکی NVIDIA RTX PRO 6000 96GB بوده است.
یافته‌های غیرمنتظره در مدل‌های جدید
جالب‌ترین یافته ممکن است مربوط به عملکرد آخرین مدل‌های پیشرفته باشد. کوین‌بیس گزارش داد که مدل‌های Opus 5، Sonnet 5 و GPT-5.6 در معیار سنجش ۱۶,۱۴۰ تراکنشی، عملکرد ضعیف‌تری نسبت به نسل‌های قبلی خود داشته‌اند.
استراتژی کوین‌بیس
برای کوین‌بیس، نتیجه‌گیری استراتژیک به نظر می‌رسد. این شرکت به سمت استفاده از مدل‌های پس از آموزش‌دیده که برای مسائل خاص طراحی شده‌اند، گرایش دارد تا اینکه صرفاً به مدل‌های عمومی که در صدر جدول رهگیری قرار دارند، اتکا کند.
کاهش ۳۰ درصدی تراکنش‌های کلاهبردارانه به معنای عبور کمتر کارت‌های مسروقه و کاهش تعداد بازپرداخت‌ها (chargebacks) است. کاهش ۲۲ درصدی ارزش کلاهبرداری نیز به این معنی است که زیان‌های وارده کوچکتر خواهند بود.
ملاحظات و محدودیت‌ها
این یافته‌ها دارای ملاحظاتی هستند. معیار سنجش اختصاصی است، بنابراین افراد خارج از شرکت نمی‌توانند به طور مستقل نتایج را تأیید کنند. این یافته‌ها همچنین فقط برای یک وظیفه خاص در یک محصول خاص اعمال می‌شوند و الگوهای کلاهبرداری به طور مداوم با انطباق مهاجمان تغییر می‌کنند.
روند نزولی در مدل‌های پیشرفته‌تر نیز نیازمند بررسی دقیق در طول زمان است. این امر می‌تواند منعکس‌کننده چیزی خاص در نحوه پردازش این نوع قضاوت ریسک ساختاریافته توسط آن مدل‌ها باشد، یا ممکن است با به‌روزرسانی‌های آینده تغییر کند.
