AI识别非法加密交易的研究，不能只凭“准确率接近九成”判断能否用于真实执法或合规运营。首先应查看论文原文、数据来源、评价方法及适用场景，再区分实验结果、产品能力与法律认定。
Elliptic是研究基准，不是全部真实交易
Elliptic原始研究于2019年公开，描述了一个包含逾20万笔比特币交易节点、约23.4万条有向资金流和166项节点特征的数据集。研究比较了逻辑回归、随机森林、多层感知机和图卷积模型，是理解链上关系分析的基础资料之一。Elliptic原始研究
这个历史样本不能代表所有年份、链和新型业务。模型在其中表现较好，也不能自动证明其能识别其他链上的交易、现实世界身份或所有洗钱方式。
准确率、精确率与召回率不能互换
总体准确率衡量全部被评估样本中判断正确的比例；精确率关注被标记为风险的样本有多少真正符合风险标签；召回率则关注已标记风险样本中有多少被发现。若类别分布不均，只报总体准确率可能掩盖漏报。
评估报告还应说明训练与测试如何划分、未知标签如何处理及是否存在信息泄漏。不同论文使用相同数据集，也可能因划分和指标不同而无法直接比较成绩。
从研究到合规工具还差哪些验证
建议机构在自有业务上进行独立测试，分别观察误报、漏报、审查人员工作量及模型随时间失效的风险。引入大语言模型生成解释时，还要核对解释是否有交易记录和外部证据支持，不能把流畅文字当作事实证明。
模型评分适合作为筛查和调查线索，不是对客户违法的自动裁定。具体交易处理、可疑交易报告及其他措施，仍需结合实际证据、适用制度和有权限人员的判断。
资料核对日期：2026年10月19日。原发布日期保留。