Coinbase 反欺诈实测：新版 Opus、Sonnet、GPT 抓到的欺诈反而比上一代少，自己后训练的 Qwen3.5-9B 四项指标全面超过 Opus 4.5

这件事意味着什么

【要点】

Coinbase 工程团队 10 月 6 日至 8 日连发三篇「Owning Intelligence」系列文章，讲他们怎样给 Onramp（在合作方应用里免注册买币）做反欺诈智能体。第一篇：在原有机器学习模型和规则之后加一层大模型复核，最初用 Claude Opus，线上 A/B 实验（实验组占 50% 流量）欺诈笔数少 30%、欺诈金额少 22%，预计挽回的损失约为推理成本的三倍。

第二篇：决策策略不变，用 9 周历史交易回放（16,140 笔、7,293 名用户、813 笔确认欺诈）对比新旧模型。Opus 4.5 对 Opus 5、Sonnet 4.6 对 Sonnet 5、GPT-5.4 对 GPT-5.6 Sol，每一组新版本的召回率、F1 和按金额加权的召回率都更低；Sonnet 召回率降了 22.2 个点，GPT 精确率升了 11.5 个点但召回率降了 20.7 个点。第三篇：用 Anyscale 上的 SkyRL 拿自家欺诈数据后训练 Qwen3.5-9B，四项检测指标都超过 Opus 4.5，F1 高 9.6，线上端到端延迟降低 55%（中位 0.683 秒对 1.515 秒）。

【可核验】

三篇文章都在 Coinbase 官方博客工程栏目。相关论文 arXiv:2609.27287（SR-Fraud）部分作者与系列作者相同，文中同样写到新版 Opus、Sonnet、GPT 在该基准上退步。数据集是 Coinbase 私有的，外界无法复现，也没有给出置信区间。CEO 阿姆斯特朗在 X 上转述结论，称专用模型会在细分任务上胜出。

【我们的判断】

一、「新版本更差」只在这一个任务、这一套固定决策策略下成立，不能读成新模型整体退步。更可能的解释是新版本的风险判断尺度变了，原来调好的阈值不再匹配。

二、这恰恰是要紧的地方：靠闭源 API 搭生产系统的公司，模型一升级，业务指标就可能悄悄漂移。自建的领域评测正在从可选项变成必需品。

三、9B 开源模型加上结果可验证的强化学习能在窄任务上超过前沿模型，这和本月微软基于同一底座做决策模型的思路一致。对标签清楚、流量大的企业任务，「自己拥有权重」正在变得划算。