Theo tổng hợp tin tức trên X, đội ngũ Coinbase đã lấy mô hình mã nguồn mở Qwen3.5-9B và tinh chỉnh (fine-tune) bằng dữ liệu nội bộ. Kết quả trên bài kiểm tra gian lận của công ty: độ chính xác (precision) cao hơn 24%, độ bao phủ (recall) cao hơn 20% và độ trễ thấp hơn 55% so với các mô hình frontier như Opus 4.5.
Chi phí huấn luyện được cho là chỉ dưới 100 USD. Trong thử nghiệm, cách làm này giúp giảm 30% giao dịch gian lận.
Các mô hình frontier được huấn luyện để giỏi mọi thứ, từ làm thơ đến viết code. Nhưng phát hiện gian lận là bài toán hẹp, phụ thuộc vào dữ liệu đặc thù của từng nền tảng – thứ mà mô hình chung không thể biết. Khi mô hình nhỏ được “dạy” đúng trên dữ liệu thật, nó có thể vượt mô hình lớn ở đúng tác vụ đó, lại chạy nhanh và rẻ hơn.
Lợi ích lớn khác là bảo mật. Với dữ liệu giao dịch nhạy cảm, việc chạy mô hình nội bộ giúp Coinbase không phải gửi thông tin ra nhà cung cấp bên ngoài – yếu tố quan trọng với các công ty tài chính chịu quản lý chặt.
Brian Armstrong coi đây là một phần của xu hướng lớn: các mô hình chuyên biệt sẽ xử lý tác vụ ngách tốt hơn và rẻ hơn mô hình khổng lồ đa năng. Theo ông, công cụ hiện nay đã đủ dễ để nhân viên có thể tự huấn luyện mô hình bằng các lệnh đơn giản.
Câu chuyện của Coinbase cũng ăn khớp với làn sóng doanh nghiệp tự xây công cụ AI thay vì mua phần mềm đóng gói, và với startup như TypeSafe AI tập trung vào mô hình ra quyết định tốc độ cao.
Với các doanh nghiệp có dữ liệu riêng chất lượng – ngân hàng, thương mại điện tử, logistics – tinh chỉnh mô hình mở cỡ nhỏ có thể là con đường hiệu quả hơn so với trả phí API mô hình lớn cho mọi tác vụ. Điều kiện tiên quyết là dữ liệu được gán nhãn tốt và quy trình đánh giá nghiêm túc. Lưu ý các con số trên do Coinbase công bố, chưa có kiểm chứng độc lập.
Bài viết tổng hợp từ các bản tin tổng hợp bài đăng trên X (X News); thông tin có thể tiếp tục được cập nhật.
Tác giả: Ban biên tập
Ý kiến bạn đọc
Những tin mới hơn