两篇新研究论文介绍了增强大型语言模型 (LLM) 适应和生成中隐私的新方法。Echelon 专注于跨隐私边界的可审计、仅聚合的适应，确保设备级别的模型状态永远不会被导出。隐私感知解码 (PAD) 是一种推理时技术，它将校准后的噪声注入 token logits，以防止检索增强生成 (RAG) 系统中的私密信息泄露。这两种方法都旨在在不进行模型再训练的情况下，平衡模型效用和严格的隐私要求。 AI
影响 这些方法通过解决适应和生成过程中的隐私问题，为在敏感环境中部署 LLM 提供了新的途径。
排序理由 arXiv 上发表了两篇学术论文，提出了新的 LLM 隐私方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.02958v1 Announce Type: cross Abstract: Cross-organization language-model adaptation increasingly faces hard governance constraints: in many deployments, device-level model state-parameters, activations, optimizer state, and per-device updates-cannot be exported outside…
arXiv:2508.03098v2 Announce Type: replace Abstract: Retrieval-Augmented Generation (RAG) enhances the factual accuracy of large language models (LLMs) by conditioning outputs on external knowledge sources. However, when retrieval involves private or sensitive data, RAG systems ar…