Data for AI🔥8.0
Coinbase用内部风控数据微调Qwen3.5-9B,欺诈识别多项指标超闭源大模型
📋总体概括
Coinbase CEO Brian Armstrong 公开披露,团队利用交易所内部交易风控数据,对开源权重的 Qwen3.5-9B 模型进行微调,专门用于 Onramp 入金业务的欺诈识别。在 Coinbase 自有交易数据集的评测中,微调后的 Qwen3.5-9B 多项指标超过前沿闭源大模型:F1 分数高出 9.6 个百分点,端到端延迟降低 55%。这一案例展示了用领域私有数据微调中小型开源模型,可在垂直风控任务上以更低成本、更低延迟击败通用闭源大模型的路径,是 Data for AI 在金融风控场景落地的典型样本。
⚡关键信息
- ▸Coinbase CEO Brian Armstrong 公布用内部交易风控数据微调 Qwen3.5-9B 模型
- ▸微调后的模型专门服务于 Onramp 入金业务的欺诈识别场景
- ▸自有数据集评测中 F1 分数比前沿闭源大模型高出 9.6 个百分点
- ▸端到端延迟降低 55%,凸显中小开源模型在风控时效上的优势
- ▸案例印证垂直私有数据微调开源模型可击败通用闭源大模型
🔥犀利点评
又见「小模型+私域数据」打脸通用大模型的活案例。Coinbase 没有吹通用智能,而是拿自有风控数据喂 9B 小模型,换来 9.6 个点的 F1 优势加 55% 的降延迟——这才是企业该有的务实路线:你的护城河从来不是模型参数,而是别人拿不到的数据。对烧钱堆参数的闭源厂商而言,垂直场景的高墙正在越砌越高。
📰 相关资讯(与本文相关的其他资讯)
本文由本站自动聚合,以下为原始来源:前往 微博-数据交易所 阅读全文 →