🧠 CryptoFlow-Investigator-LLM
AI 加密貨幣金流調查員（基於 Llama-3.3-FFM-70B 微調版本）
📘 模型簡介
CryptoFlow-Investigator-LLM 是一個針對「加密貨幣金流分析與追蹤」領域微調的大語言模型，
可用於輔助區塊鏈金流推理、可疑地址追蹤、以及金流報告生成。
模型採用結構化 Chain-of-Thought（CoT） 設計，
能生成具邏輯層次的思考步驟、分析摘要與最終結論，
適用於司法調查、合規監理與數位資產風險分析等情境。
📊 訓練資料
本模型以以下資料為基礎進行微調：
| 類別 | 說明 |
|---|---|
| 白皮書問答集 | 從比特幣、以太坊白皮書生成結構化 Q&A |
| 金流圖推論合成資料 | 含 Path Existence、Output Funnel、Intermediate Node、Loop Detection 任務 |
| 金流追蹤方法論問答集 | 涵蓋 UTXO、混幣、橋接、地址聚類、交易所特徵等 |
| 中文語料 | 專注於司法與金融語境之中文描述與報告用語 |
🔗 Dataset: CryptoFlowTrackerDataset
資料量：約 60 M tokens（中文）
⚙️ 訓練設定
- Base Model:
Llama-3.3-FFM-70B - Epochs: 2
- Batch Size: 依 GPU 資源調整
- 微調方法: Instruction Tuning + Rationale-Augmented SFT (CoT)
- Knowledge Distillation: 以 ChatGPT 生成樣本作為教師資料
- 標註格式:
<think>...</think> <explanation>...</explanation> <answer>...</answer>
🧩 使用範例
from transformers import AutoModelForCausalLM, AutoTokenizer
model_name = "BlockChainSecurityAI/CryptoFlow-Investigator-LLM"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForCausalLM.from_pretrained(model_name)
prompt = "是否存在從地址 D 到地址 A 的交易路徑？已知交易：ADDR_98→A, ADDR_56→ADDR_53, D→ADDR_56, ADDR_53→J, J→ADDR_98"
inputs = tokenizer(prompt, return_tensors="pt")
outputs = model.generate(**inputs, max_new_tokens=512)
print(tokenizer.decode(outputs[0], skip_special_tokens=True))
💡 模型特色
- 🧩 Chain-of-Thought 推理：具逐步思考與摘要輸出結構
- 🕵️ 金流分析導向：能針對交易關聯、節點、橋接等進行推論
- 📚 專業領域語料：針對司法與金融用語優化
- ⚖️ 可作為 FinCrime AI 應用基礎：支援法遵、調查、報告生成
⚠️ 限制與注意事項
- 模型生成之推論結果僅供輔助分析，不能作為法律或金融判定依據。
- 由於資料集包含合成樣本，真實區塊鏈資料應再行驗證。
- 推理過程（
<think>區塊）可選擇在產品端隱藏，以符合資訊安全要求。