Coinbase 是美国最大的加密货币交易所之一，其 AI 使用场景覆盖客服、欺诈检测、代码辅助等多个业务线。转向 GLM 5.2 和 Kimi 2.7 的决策背后是一套完整的商业逻辑，而不只是追求低价。 AI 支出减半是最直观的数字。在具体业务没有缩减的前提下支出减半，意味着新模型在价格上有显著优势，同时能力上达到了可接受的基线。GLM 5.2 的 IDOR 检测成绩（见 rank 11）印证了其在技术任务上有竞争力，Kimi 2.7 以长上下文处理能力见长，两者的组合策略说明 Coinbase 可能针对不同任务类型选用了不同模型。 缓存命中率从 5% 到 60% 的变化更耐人寻味。这个数字不太可能只是换模型的结果，更可能反映了在切换过程中对请求结构、上下文设计和缓存策略做了系统性重构。高缓存命中率意味着相同的上下文前缀被反复复用，这通常要求在提示工程层面做专门设计——比如将固定系统提示放在请求开头并保证其内容稳定不变。 从行业角度，Coinbase 案例的示范效应超过单一公司的成本决策。它提供了一个可量化的参照：在同等业务规模下，切换到中国模型能节省多少钱、会在哪些方面需要适配。这对其他正在评估类似切换的公司是直接的决策参考。 需要注意的是，这些数字来自 The Decoder 的报道，原始数据由 Coinbase 自报，独立审计难以核实。此外，不同业务的风险合规要求不同——金融行业使用中国 AI 模型可能面临的监管和数据主权问题，Coinbase 如何处理目前尚不清楚。