CEO da Coinbase diz que modelo de IA treinado com dados internos apresenta alta performance na detecção de fraudes

[Repórter Ham Ji-hyun, Block Media] A Coinbase registrou um desempenho superior na detecção de fraudes utilizando um modelo de inteligência artificial (IA) de peso aberto, treinado com dados de pagamento internos, em comparação com modelos de fronteira genéricos.

O CEO Brian Armstrong anunciou no dia 12 (horário local) pelo 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 uma tarefa especializada, a um custo e velocidade muito mais baixos do que os modelos de fronteira.

Ele afirmou: "Os modelos de fronteira são excelentes modelos gerais, mas no futuro, veremos mais casos em que modelos especializados, sozinhos ou colaborando com outros modelos, apresentarão desempenho superior em tarefas mais restritas."

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 curto 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 atrasos nas respostas.

Conseguimos ajustar um modelo de peso aberto (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 de modelos internamente 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 totalmente 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 de um sistema de detecção de fraudes para pagamentos do serviço de compra de ativos digitais "Onramp".

O Onramp é um serviço que permite aos usuários comprar ativos digitais diretamente em aplicativos parceiros. Usuários sem conta Coinbase também podem pagar 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 detecção baseado em aprendizado de máquina (ML) e regras. Enquanto o sistema existente revisa rapidamente transações individuais, o agente LLM analisa padrões anômalos 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 ao modelo ML existente 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, esse sistema é diferente do "pagamento por agente", onde o agente de IA executa pagamentos diretamente. A IA não realiza pagamentos, mas avalia o nível de risco das transações. A aprovação ou bloqueio real é gerenciado pelo sistema de gerenciamento de risco do aplicativo existente.

A Coinbase usou inicialmente o Claude Opus para o sistema inicial. Informações de transações de cerca de 7000 tokens foram inseridas e, em vez de fornecer longas explicações, apenas o nível de risco foi 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 treinou o Qwen 3.5-9B com seus próprios dados, em vez de depender de modelos genéricos externos. Segundo a empresa, esse modelo superou o Claude Opus 4.5 em todos os quatro indicadores relacionados à detecção de fraudes. O F1 score, que indica o desempenho geral na detecção 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, além de ser uma ferramenta de assistência de IA simples. 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 moverão na direção de construir modelos especializados treinados com dados internos, em vez de simplesmente usar modelos de grande escala genéricos. Em áreas como a detecção de fraudes, onde o escopo de trabalho é claro e os dados de resposta estão acumulados, modelos pequenos e especializados podem superar modelos genéricos em termos de custo, velocidade e precisão.

Este conteúdo é fornecido apenas para fins informativos gerais e não constitui aconselhamento financeiro, de investimento, jurídico ou tributário. Quaisquer eventos, recompensas, promoções online ou informações relacionadas mencionadas neste documento não devem ser consideradas uma recomendação, solicitação ou convite para comprar, vender, negociar ou realizar qualquer outra transação com criptoativos. Criptoativos são altamente voláteis e podem resultar em perdas. A disponibilidade dos serviços, produtos e eventos relacionados da WEEX pode variar conforme a região. É de sua responsabilidade garantir que sua participação esteja em conformidade com as leis e regulamentações locais aplicáveis.