CEO da Coinbase: "Modelo de IA treinado com dados internos apresenta alto desempenho na deteção de fraudes"

[Repórter Ham Ji-hyun, Block Media] A Coinbase utilizou um modelo de inteligência artificial (IA) de pesos abertos, treinado com dados de pagamento internos, e obteve um desempenho na deteção de fraudes superior ao de modelos de fronteira gerais.

O CEO Brian Armstrong afirmou no dia 12 (horário local) através do X que, ao ajustar o modelo Qwen 3.5-9B com dados internos exclusivos da Coinbase, foi possível implementar um desempenho muito superior na prevenção de fraudes em comparação com modelos de fronteira, a um custo muito mais baixo e com maior rapidez.

Ele comentou: "Os modelos de fronteira são excelentes modelos gerais, mas no futuro veremos mais casos em que modelos especializados em tarefas mais restritas superam os modelos gerais, seja trabalhando em equipe ou de forma independente."

Os resultados da inferência online divulgados por Armstrong também mostraram uma diferença clara de velocidade. O tempo médio de processamento para solicitações comuns (P50) foi de 0,683 segundos para o Qwen 3.5-9B, cerca de 55% mais rápido do que os 1,515 segundos do Opus 4.5.

No percentil 99 (P99), que mostra situações de alta latência, o Qwen 3.5-9B registrou 1,036 segundos, muito mais rápido do que os 3,312 segundos do Opus 4.5. O P99 significa que 99% de todas as solicitações foram processadas dentro desse tempo, indicando que a velocidade de processamento do modelo Qwen foi relativamente estável, mesmo em situações de alta demanda ou respostas lentas.

Conseguimos ajustar um modelo de pesos abertos (Qwen 3.5-9B) com dados internos proprietários na @coinbase, e ele superou os modelos de fronteira, a um custo e velocidade muito mais baixos, para uma tarefa especializada (prevenção de fraudes, neste caso).

Acredito que veremos mais desse padrão dentro das empresas. Os modelos de fronteira são incríveis generalistas. Mas, cada vez mais, você verá modelos especializados superando em tarefas mais restritas, seja trabalhando em equipe ou sozinhos.

Estamos facilitando o ajuste interno de modelos para nossos funcionários. Temos até uma habilidade para isso em nossa estrutura interna que torna fácil iniciar e começar a treiná-los:

"/fine-tune-and-serve-llm Quero ajustar o Qwen para revisão de risco de pagamentos. Ajude-me a começar."

Imagino que teremos alguns serviços de backend que poderiam ser completamente substituídos por essa nova arquitetura.

--- Brian Armstrong (@brian_armstrong) 11 de outubro de 2026

Recentemente, a Coinbase divulgou em uma série de blogs o processo de construção do sistema de deteção de fraudes para o serviço de compra de ativos digitais "Onramp".

O Onramp é um serviço que permite aos usuários comprar ativos digitais diretamente em aplicativos parceiros. Mesmo usuários sem conta Coinbase podem fazer pagamentos como convidados, o que significa que é necessário identificar transações fraudulentas mesmo na ausência de informações de conta anteriores.

A Coinbase adicionou um agente de risco baseado em um modelo de linguagem de grande escala (LLM) sobre um sistema de deteção baseado em regras e modelos de aprendizado de máquina (ML) existentes. Enquanto o sistema anterior avaliava rapidamente transações individuais, o agente LLM analisa padrões anômalos que surgem em várias transações, considerando a sequência de transações recentes, intervalos de tempo, mudanças nos métodos de pagamento e destinos das transações.

Nos experimentos online, o grupo que adicionou o agente LLM aos modelos ML existentes e ao motor de regras viu uma redução de 30% no número de transações fraudulentas e uma diminuição de 22% no valor das transações fraudulentas em comparação com o sistema anterior.

No entanto, este sistema não é o mesmo que o "pagamento por agente", onde o agente de IA executa pagamentos. A IA não realiza pagamentos, mas avalia o nível de risco da transação. A aprovação ou bloqueio real é feito pelo sistema de gestão de riscos do aplicativo existente.

A Coinbase utilizou o Claude Opus no sistema inicial. Inseriu informações de transações de cerca de 7000 tokens e, em vez de longas descrições, fez com que apenas o nível de risco fosse exibido para reduzir o tempo de resposta. O tempo médio de latência para chamadas LLM foi de cerca de 1,5 segundos.

Depois, a Coinbase decidiu não depender de modelos gerais externos e, em vez disso, utilizou seus próprios dados para treinar o Qwen 3.5-9B. Segundo a empresa, esse modelo superou o Claude Opus 4.5 em todos os quatro indicadores relacionados à deteção de fraudes. O F1 score, que indica o desempenho geral na deteção de fraudes, foi 9,6% superior ao dos modelos de fronteira, e o tempo de latência de resposta no ambiente de serviço real foi reduzido em 55%.

A Coinbase também está criando um ambiente de ajuste para que os funcionários possam desenvolver modelos especializados internamente. O CEO Armstrong explicou que, ao inserir comandos no sistema de IA interno, é possível treinar e implantar modelos como o Qwen para tarefas específicas.

Um exemplo de comando que ele mencionou foi: "Quero ajustar o Qwen para revisão de risco de pagamentos. Ajude-me a começar."

O CEO Armstrong sugeriu que essa estrutura poderia substituir completamente alguns serviços de backend existentes. Ele afirmou: "Acredito que alguns serviços de backend poderão ser totalmente substituídos por essa nova estrutura."

O caso da Coinbase mostra que, no futuro, as empresas se afastarão do uso direto de modelos gerais de grande escala e começarão a construir modelos especializados treinados com seus próprios dados. Em áreas como a deteção de fraudes, onde o escopo de trabalho é claro e os dados de resposta estão acumulados, modelos pequenos e especializados podem superar modelos gerais em termos de custo, velocidade e precisão.

Este conteúdo é disponibilizado apenas para fins informativos gerais e não constitui aconselhamento financeiro, de investimento, jurídico ou fiscal. Quaisquer eventos, recompensas, promoções online ou informações relacionadas aqui mencionados não devem ser interpretados como uma recomendação, solicitação ou convite para comprar, vender, negociar ou realizar quaisquer outras operações com criptoativos. Os criptoativos são altamente voláteis e podem resultar em perdas. A disponibilidade dos serviços, produtos e eventos relacionados da WEEX pode variar consoante a região. O utilizador é responsável por garantir que a sua participação está em conformidade com a legislação e os regulamentos locais aplicáveis.