Coinbase nâng cấp chống gian lận thanh toán bằng mô hình 9 tỷ tham số: Giao dịch gian lận trực tuyến giảm 30%

Hình 1｜Đội ngũ kỹ thuật Coinbase công bố loạt nghiên cứu về Agent chống gian lận

Một giao dịch dùng thẻ tín dụng để mua tài sản mã hóa, trên bề mặt chỉ có số tiền, thiết bị và kết quả thanh toán. Nhưng kẻ gian lận thường chia cuộc tấn công thành nhiều lần thử: trước tiên dùng giao dịch nhỏ để kiểm tra thẻ, sau đó đổi thiết bị, địa chỉ hoặc công cụ thanh toán, cuối cùng thực hiện giao dịch với số tiền lớn hơn. Nếu chỉ nhìn một giao dịch đơn lẻ, tín hiệu rủi ro có thể rất yếu; nhưng khi đặt vài hành động gần đây cạnh nhau, mô hình mới dần hiện ra.

Từ ngày 6 đến ngày 8 tháng 10 năm 2026, Coinbase liên tiếp công bố ba bài viết kỹ thuật, giới thiệu quá trình xây dựng Agent chống gian lận cho mảng kinh doanh Onramp. Coinbase trước tiên gắn mô hình ngôn ngữ lớn (LLM) phía sau các mô hình học máy và công cụ quy tắc hiện có, để nó đọc chuỗi giao dịch; sau đó xây dựng bộ kiểm thử chuyên ngành để so sánh các phiên bản mô hình mã nguồn đóng khác nhau; cuối cùng dùng dữ liệu gian lận nội bộ để hậu huấn luyện một mô hình trọng số mã nguồn mở với 9 tỷ tham số. Các thử nghiệm trực tuyến mà công ty công bố cho thấy, sau khi thêm Agent, số giao dịch gian lận giảm 30%, số tiền gian lận giảm 22%. Mô hình sau hậu huấn luyện đạt điểm F1 cao hơn trên benchmark nội bộ, đồng thời độ trễ đầu cuối cũng thấp hơn.

Những con số này đến từ thử nghiệm của chính Coinbase, và bên ngoài hiện chưa thể tái tạo toàn bộ tập dữ liệu. Tuy nhiên, nhóm thực tiễn này cung cấp một mẫu AI doanh nghiệp rất cụ thể: trong những tác vụ hẹp như kiểm soát rủi ro thanh toán, độ mới và quy mô của mô hình chưa chắc đã đứng đầu. Điều thực sự ảnh hưởng đến hiệu quả là doanh nghiệp có dữ liệu kết quả đáng tin cậy hay không, có thể xây dựng bộ kiểm thử gần với nghiệp vụ thực tế hay không, và đầu ra của mô hình đi vào hệ thống ra quyết định hiện hữu như thế nào.

1. Mô hình truyền thống sàng lọc trước, Agent chịu trách nhiệm đọc quá trình giao dịch

Hình 2｜Đường xử lý khi một giao dịch đi vào Agent chống gian lận

Coinbase Onramp cho phép người dùng mua tài sản mã hóa trong ứng dụng đối tác, trong đó một số tình huống cho phép thanh toán với khách vãng lai. Khách vãng lai không có lịch sử tài khoản dài hạn, thông tin mà nền tảng có thể sử dụng chủ yếu đến từ thanh toán hiện tại và hành vi giao dịch gần đây. Mô hình học máy hiện có giỏi xử lý nhanh các đặc trưng của một giao dịch đơn lẻ, còn công cụ quy tắc chặn các điều kiện bất thường rõ ràng, chẳng hạn như thất bại lặp lại, thiết bị đột ngột thay đổi hoặc thông tin thanh toán không nhất quán.

Khó khăn nằm trong chuỗi hành động liên tiếp. Một giao dịch mua có số tiền và thiết bị đều bình thường, nhưng khi đặt trở lại vào chuỗi giao dịch vài phút gần đây, nó có thể nối tiếp nhiều lần thử với số tiền nhỏ, thay đổi thẻ ngân hàng và thay đổi địa chỉ. Coinbase sắp xếp các giao dịch gần đây theo thời gian thành ngữ cảnh, rồi giao cho mô hình ngôn ngữ lớn đánh giá rủi ro. Mô hình đưa ra một phân loại rủi ro ngắn gọn, và chương trình phía sau dựa trên phân loại này để quyết định cho qua, từ chối hoặc chuyển sang kiểm tra thủ công.

Cấu trúc này giữ được tốc độ của hệ thống kiểm soát rủi ro truyền thống. Phần lớn giao dịch trước tiên được mô hình học máy và quy tắc xử lý, Agent chỉ tham gia khi cần thêm ngữ cảnh. Nhiệm vụ của nó cũng bị giới hạn nghiêm ngặt: đọc thông tin giao dịch đã được sắp xếp, nhận diện mối quan hệ trong chuỗi, và trả về kết luận theo định dạng quy định. Hành động cuối cùng vẫn do tầng chiến lược trong hệ thống thực thi.

Sự phân công này giải thích vì sao Coinbase gọi nó là Agent rủi ro. Nó không tự điều tra khách hàng, cũng không tự do gọi tất cả hệ thống nội bộ. Nền tảng giới hạn cho nó phạm vi dữ liệu, dạng câu hỏi và câu trả lời có thể trả về, nhờ đó mô hình có thể tập trung vào câu hỏi hẹp: "các giao dịch này liên kết với nhau có bất thường không".

2. Nâng cấp mô hình có thể âm thầm thay đổi thước đo rủi ro

Sau khi giai đoạn đầu lên sóng, vấn đề tiếp theo mà Coinbase gặp phải là chọn mô hình. Các benchmark phổ thông thường cho doanh nghiệp biết mô hình nào có năng lực tổng thể mạnh hơn, nhưng các chỉ số mà kiểm soát rủi ro thanh toán quan tâm lại cụ thể hơn: chặn được bao nhiêu giao dịch gian lận, bao nhiêu người dùng bình thường bị ảnh hưởng nhầm, gian lận số tiền lớn có được nhận diện hay không, và mỗi lần đánh giá mất bao lâu.

Coinbase dùng dữ liệu lịch sử nội bộ để xây dựng bộ kiểm thử, so sánh nhiều phiên bản Opus, Sonnet và GPT. Công ty công bố rằng, một số mô hình mới hơn tuy độ chính xác tăng, nhưng độ triệu hồi (recall), điểm F1 và độ triệu hồi có trọng số theo số tiền lại giảm. Độ chính xác (precision) biểu thị trong số giao dịch mà mô hình phán đoán là gian lận, có bao nhiêu thực sự là gian lận; độ triệu hồi biểu thị trong toàn bộ giao dịch gian lận, có bao nhiêu được tìm ra. Nếu hệ thống kiểm soát rủi ro chỉ theo đuổi độ chính xác cao, có thể giảm ảnh hưởng nhầm, đồng thời bỏ sót nhiều tổn thất thực tế hơn.

Điểm F1 dùng để quan sát tổng hợp độ chính xác và độ triệu hồi. Nói đơn giản, nó giúp đội ngũ đánh giá liệu mô hình có chỉ đẹp ở một chỉ số nào đó hay không. Coinbase còn thêm độ triệu hồi có trọng số theo số tiền gian lận, vì tổn thất do bỏ sót một vụ gian lận số tiền lớn thường cao hơn nhiều so với bỏ sót một giao dịch nhỏ.

Việc nâng cấp mô hình do đó trở thành một lần thay đổi chính sách rủi ro. Ngay cả khi prompt, giao diện và quy tắc phê duyệt không đổi, mô hình mới cũng có thể hiểu lại hành vi đáng ngờ, chuyển giao dịch trước đây được cho qua sang từ chối, hoặc bỏ qua gian lận mà phiên bản cũ có thể nhận diện. Trước khi chuyển đổi mô hình trong môi trường sản xuất, doanh nghiệp cần dùng bộ kiểm thử của chính mình để xác minh lại, không thể trực tiếp lấy bảng xếp hạng tổng hợp do nhà cung cấp công bố làm căn cứ lên sóng.

3. Vì sao mô hình 9 tỷ tham số có thể vượt qua mô hình mã nguồn đóng lớn hơn

Hình 3｜Ba kết quả của mô hình nhỏ trên benchmark nội bộ Coinbase

Coinbase sau đó chọn Qwen3.5-9B để hậu huấn luyện. Mô hình này chỉ có 9 tỷ tham số, có thể huấn luyện và triển khai trên một GPU NVIDIA RTX PRO 6000 96GB duy nhất. Đội ngũ chuyển kết quả giao dịch lịch sử thành phần thưởng có thể xác minh: khi phán đoán của mô hình khớp với kết quả gian lận đã biết thì được thưởng, khi phán đoán sai thì bị phạt, rồi điều chỉnh mô hình thông qua học tăng cường.

RLVR được sử dụng ở đây có tên đầy đủ là "Học tăng cường với phần thưởng có thể xác minh". Giao dịch thanh toán cuối cùng sẽ tạo ra các kết quả như bị từ chối thanh toán (chargeback), xác nhận gian lận hoặc hoàn thành bình thường, và những kết quả này có thể dùng làm tín hiệu huấn luyện tương đối rõ ràng. Mô hình không cần một mô hình lớn khác để đánh giá câu trả lời có "giống một phán đoán tốt" hay không, nó đối mặt với kết quả nghiệp vụ đã thực sự xảy ra.

Số lượng mẫu gian lận thường ít hơn nhiều so với giao dịch bình thường. Nếu hàm phần thưởng chỉ nhìn vào độ chính xác tổng thể, mô hình phán đoán gần như mọi giao dịch là bình thường cũng có thể đạt một con số trông có vẻ tốt. Vì vậy Coinbase cân bằng đóng góp của mẫu gian lận và mẫu bình thường, đồng thời dùng LoRA để huấn luyện một lượng nhỏ tham số bổ sung, giúp mô hình học các mô thức gian lận trong nghiệp vụ Onramp.

Công ty công bố rằng, mô hình sau hậu huấn luyện trên benchmark nội bộ có độ chính xác cao hơn Opus 4.5 7,5 điểm phần trăm, độ triệu hồi cao hơn 12 điểm phần trăm, F1 cao hơn 9,6 điểm phần trăm, độ triệu hồi có trọng số theo số tiền cao hơn 35,4 điểm phần trăm. Độ trễ đầu cuối của suy luận trực tuyến giảm 55%, chi phí huấn luyện dưới 100 USD. Những kết quả này nhắm vào một tác vụ phân loại hẹp, cho thấy việc thích ứng theo lĩnh vực có thể huấn luyện một mô hình nhỏ hơn thành công cụ sản xuất phù hợp hơn.

4. Mô hình chỉ đưa ra kết luận rủi ro, hệ thống quyết định cách xử lý

Coinbase không để mô hình trực tiếp kiểm soát giao dịch. Agent harness chịu trách nhiệm sắp xếp thông tin giao dịch thành đầu vào, rồi dịch phân loại rủi ro mà mô hình trả về thành hành động mà hệ thống có thể thực thi. Giai đoạn huấn luyện có thể yêu cầu mô hình giải thích lý do, nhưng thanh toán trực tuyến chỉ cần một kết quả rủi ro gọn gàng, để giảm độ trễ và lỗi định dạng.

Tầng chương trình trung gian này rất quan trọng. Nó quy định mô hình có thể thấy những trường nào, xử lý giá trị thiếu như thế nào, trả về những loại nào, vượt quá bao lâu thì coi là thất bại, và khi mô hình không phản hồi thì quay về bộ quy tắc cũ nào. Phiên bản mô hình có thể thay đổi, nhưng ranh giới quyền hạn của hệ thống thanh toán vẫn do chương trình kiểm soát.

Việc kiểm tra thủ công vẫn được giữ lại. Các giao dịch rủi ro cao, giao dịch mà mô hình xung đột với quy tắc truyền thống, hoặc các mẫu biên liên quan đến số tiền lớn, có thể đi vào hàng đợi kiểm tra thủ công. Kết quả kiểm tra sau đó trở thành dữ liệu mới, giúp đội ngũ phát hiện