昨日，@Velvet_Capital 正式发布Velvet Flash 0.1。这是一款专为加密货币操作设计的40亿参数模型，目标清晰直接：在涉及资金交互时，同时做到精准与安全。
通用大模型在处理加密场景时常常力不从心。它们可能误解用户意图，选错平台指令，提取参数出错，或者对高风险请求反应迟缓。
\Velvet Flash正是针对这些痛点而生。它需要准确理解用户目的，选择正确命令，提取金额、代币、链和地址等关键参数，识别危险请求，并在任何资金操作前执行确认。
在一套加密技能基准测试中，Velvet Flash以总分50位列第一。其后依次是Qwen3.5-27B（45分）、DeepSeek-V4（40分）、Llama-3.3-70B（32分），其余模型分数更低。值得注意的是，它的参数量仅4B，却超过了比自己大6到17倍的模型。
训练效果同样直观。未经专门训练的基础模型只得23分，训练后直接跃升至50分。五个维度的提升都很显著：安全性从28升至61，鲁棒性从26升至53，清晰度和用户体验从22升至52，路由从30升至47，覆盖面从12升至34。
安全性被置于首位。在金融产品中，模型必须判断何时继续、何时追问、何时警告、何时直接拒绝，还要正确解析金额、保护敏感信息、识别可疑请求，绝不在未确认时动用资金。
个别大模型在部分平台上表现更好。例如Qwen和Llama在Minara上得分更高，Qwen在币安现货也更强。但从整体看，小模型拥有更实际的优势：服务成本更低、延迟更小、基础设施要求更少，并且完全运行在自有服务器上，迭代和控制都更加灵活。
基准测试覆盖了Minara、币安现货、OKX DEX、Uniswap、GMX、MetaMask等核心平台，更广泛的测试还涉及31个中心化交易所、钱包、DEX和DeFi工具。所有模型使用相同的输入和评测标准，同时设有安全门槛。未确认即转移资金或金额解析错误等行为会被直接扣分。
Velvet Flash 0.1仅是第一个版本。后续团队将继续扩大平台覆盖，打磨边缘案例，强化安全行为，并提升复杂多步骤流程的处理能力。长期目标是建立一套内部能力，持续打造更安全、更快、更便宜、也更贴合产品需求的专用模型。
在垂直场景中，经过专门训练的小模型往往比盲目堆叠参数更有效。尤其在资金安全这件事上，这种聚焦才真正具有说服力。 @EchoHunt_ai