Ayer, @Velvet_Capital lanzó oficialmente Velvet Flash 0.1. Se trata de un modelo de 4.000 millones de parámetros diseñado específicamente para operaciones con criptomonedas. Su objetivo es claro y directo: lograr precisión y seguridad a la vez cuando hay interacciones con fondos.
Los modelos de propósito general a menudo se quedan cortos al manejar escenarios de criptomonedas. Pueden malinterpretar la intención del usuario, elegir instrucciones de la plataforma incorrectas, cometer errores al extraer parámetros o reaccionar con lentitud ante solicitudes de alto riesgo.
\Velvet Flash nació precisamente para abordar estos puntos dolorosos. Necesita comprender con precisión el objetivo del usuario, elegir el comando correcto, extraer parámetros clave como el importe, el token, la cadena y las direcciones, identificar solicitudes peligrosas y realizar una confirmación antes de cualquier operación con fondos.
En un conjunto de pruebas de referencia de habilidades de cifrado, Velvet Flash ocupó el primer lugar con 50 puntos en total. Le siguen, en orden, Qwen3.5-27B (45 puntos), DeepSeek-V4 (40 puntos), Llama-3.3-70B (32 puntos), y el resto de los modelos obtiene puntuaciones más bajas. Cabe destacar que su cantidad de parámetros es solo 4B, pero supera a modelos que son entre 6 y 17 veces más grandes que el suyo.
Los resultados del entrenamiento también se reflejan de manera clara. Los modelos base que no fueron entrenados específicamente solo obtienen 23 puntos, y después del entrenamiento saltan directamente a 50 puntos. Las mejoras en las cinco dimensiones son muy notables: la seguridad sube de 28 a 61, la robustez de 26 a 53, la claridad y la experiencia del usuario de 22 a 52, el enrutamiento de 30 a 47 y la cobertura de 12 a 34.
La seguridad es lo primero. En productos financieros, el modelo debe saber cuándo continuar y cuándo hacer más preguntas, cuándo advertir y cuándo rechazar directamente; además, debe interpretar correctamente los importes, proteger la información sensible, identificar solicitudes sospechosas y, en ningún caso, usar fondos sin confirmación.
Algunos modelos grandes en ciertos plataformas rinden mejor. Por ejemplo, Qwen y Llama obtienen puntuaciones más altas en Minara, y Qwen también es más fuerte en el spot de Binance. Pero, en general, los modelos pequeños tienen ventajas más prácticas: menor coste de servicio, menor latencia, menos requisitos de infraestructura y, además, se ejecutan completamente en servidores propios, lo que hace la iteración y el control mucho más flexibles.
Las pruebas de referencia cubren plataformas clave como Minara, spot de Binance, OKX DEX, Uniswap, GMX, MetaMask, etc. Las pruebas más amplias también incluyen 31 exchanges centralizados, wallets, DEX y herramientas DeFi. Todos los modelos utilizan las mismas entradas y los mismos criterios de evaluación, y al mismo tiempo cuentan con umbrales de seguridad. Acciones como transferir fondos sin confirmación o errores al interpretar importes se penalizan directamente.
Velvet Flash 0.1 es solo la primera versión. El equipo seguirá ampliando la cobertura de la plataforma, puliendo casos de borde, reforzando comportamientos de seguridad y mejorando la capacidad para manejar flujos complejos con múltiples pasos. El objetivo a largo plazo es construir un conjunto de capacidades internas para seguir desarrollando modelos especializados que sean más seguros, más rápidos, más baratos y más acordes con las necesidades del producto.
En escenarios verticales, los modelos pequeños entrenados de forma específica suelen ser más eficaces que simplemente apilar parámetros a ciegas. Especialmente en el caso de la seguridad de los fondos, este enfoque concentrado es lo que realmente resulta convincente. @EchoHunt_ai