Brian Armstrong von Coinbase hat heute Morgen einen Beitrag veröffentlicht, der 480.000 Aufrufe hat: Sie haben das Open-Source-Modell Qwen3.5-9B mit ihren eigenen Risikokontrolldaten feinabgestimmt und auf Betrugsbekämpfung spezialisiert. Damit übertrifft es geschlossene Spitzenmodelle – präziser, schneller und günstiger.
Die Kostenrechnung der Ingenieure (Zahlen aus ihrer öffentlichen Mitteilung):
· Trainingskosten < 100 US-Dollar, mit einer einzelnen GPU
· A/B-Test im Livebetrieb: als zusätzliche Prüfstufe 30 % weniger Betrugsfälle und 22 % geringere Verluste
· Median-Latenz < 1 Sekunde
Meine Einschätzung:
1）Große Sprachmodelle sind Generalisten, doch bei der Risikokontrolle braucht man Spezialisten. 9 Milliarden Parameter + exklusive Daten verstehen besser, wie die Betrüger bei dir aussehen, als 1 Billion Parameter + öffentliche Daten. Der Burggraben liegt in den Daten, nicht im Modell.
2）Für Börsen und Wallets bedeutet das, dass Betrugsbekämpfung auf der Blockchain immer stärker „lokalisiert“ wird: Jede Plattform trainiert ihr eigenes kleines Modell mit ihren eigenen Betrugsbeispielen. Phishing-Adressen, falsche Kundendienstmitarbeiter und Fallen bei Autorisierungen – die Erkennungskosten könnten damit gegen null sinken.
3）Ein Modell kann aber nur Dinge blockieren, die „wie ein Betrug aussehen“. Wenn du deine Seed-Phrase freiwillig herausgibst, kann dich auch das beste Modell nicht retten. Die letzte Verteidigungslinie bist immer du selbst: Seiten über Lesezeichen aufrufen, keine Autorisierungen unterschreiben, die du nicht verstehst, und bei angeblichem Kundendienst erst auflegen und dann zurückrufen.
Die hundert Dollar fürs Training reichen nicht einmal für ein ordentliches Abendessen mit einer hübschen Frau. Die eingesparten 30 % reichen dagegen für viele Abendessen 😏
#AI #反诈 #链上安全
Die Kostenrechnung der Ingenieure (Zahlen aus ihrer öffentlichen Mitteilung):
· Trainingskosten < 100 US-Dollar, mit einer einzelnen GPU
· A/B-Test im Livebetrieb: als zusätzliche Prüfstufe 30 % weniger Betrugsfälle und 22 % geringere Verluste
· Median-Latenz < 1 Sekunde
Meine Einschätzung:
1）Große Sprachmodelle sind Generalisten, doch bei der Risikokontrolle braucht man Spezialisten. 9 Milliarden Parameter + exklusive Daten verstehen besser, wie die Betrüger bei dir aussehen, als 1 Billion Parameter + öffentliche Daten. Der Burggraben liegt in den Daten, nicht im Modell.
2）Für Börsen und Wallets bedeutet das, dass Betrugsbekämpfung auf der Blockchain immer stärker „lokalisiert“ wird: Jede Plattform trainiert ihr eigenes kleines Modell mit ihren eigenen Betrugsbeispielen. Phishing-Adressen, falsche Kundendienstmitarbeiter und Fallen bei Autorisierungen – die Erkennungskosten könnten damit gegen null sinken.
3）Ein Modell kann aber nur Dinge blockieren, die „wie ein Betrug aussehen“. Wenn du deine Seed-Phrase freiwillig herausgibst, kann dich auch das beste Modell nicht retten. Die letzte Verteidigungslinie bist immer du selbst: Seiten über Lesezeichen aufrufen, keine Autorisierungen unterschreiben, die du nicht verstehst, und bei angeblichem Kundendienst erst auflegen und dann zurückrufen.
Die hundert Dollar fürs Training reichen nicht einmal für ein ordentliches Abendessen mit einer hübschen Frau. Die eingesparten 30 % reichen dagegen für viele Abendessen 😏
#AI #反诈 #链上安全