PulseAugur
中
实时 05:29:08
实体 zk-SNARK

zk-SNARK

PulseAugur coverage of zk-SNARK — every cluster mentioning zk-SNARK across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
5
90 天内 7
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 5
层级分布 · 90 天
主题
关系
情绪 · 30 天

5 天有情绪数据

最近 · 第 1/1 页 · 共 7 条
  1. RESEARCH · CL_360183 ·

    新研究探讨LLM推理优化、批处理和可复现性

    多篇研究论文和项目正在探索优化大型语言模型(LLM)推理的高级技术,特别关注效率和可扩展性。一篇论文介绍了BatchGen,一种用于批推理的架构,它使用序列协程计算模型来处理可变工作负载并提高GPU利用率。另一项研究“沉默的超参数”(The Silent Hyperparameter)量化了vLLM、SGLang和llama.cpp等不同的推理后端如何显著影响LLM基准测试结果和可复现性。此外,还在研究用于NVIDIA Blackwe…

  2. TOOL · CL_340992 ·

    Anthropic 开源 FlashProve 以实现可验证的 LLM 输出溯源

    Anthropic 的 Frontier Red Team 开源了 FlashProve,这是一个研究原型,使用 zkSNARKs 来加密验证特定模型是否生成了某个输出。虽然证明生成在计算上成本高昂且速度缓慢,不适合实时应用,但它为离线分析或合规性提供了可审计的追踪。该系统允许客户验证响应是否来自已提交的模型权重,从而防止通过路由服务或受损服务器进行静默模型替换。然而,证明验证过程引入的显著延迟限制了其实际应用,对于交互式用例来说仍然太慢。

  3. RESEARCH · CL_339868 ·

    Anthropic 发布 FlashProve 以实现可验证的 AI 模型推理

    Anthropic 的 Frontier Red Team 推出了 FlashProve,这是一个开源研究原型,旨在提供 AI 模型推理的加密证明。该系统利用 zk-SNARK 技术,允许用户在不泄露模型权重的情况下验证响应是否源自特定的、已提交的模型。FlashProve 在使用单个 NVIDIA H100 的 400B MoE 模型上实现了每秒约 110 个 token 的速度,与之前的 zkML 系统相比速度显著提高,同时保持了后量子安全。

  4. RESEARCH · CL_332595 ·

    Anthropic 的 FlashProve 提供 AI 模型身份的加密证明 · 已追踪 10 个来源

    Anthropic 发布了 FlashProve,这是一个开源研究原型,旨在通过加密方式验证 AI 模型的输出是否来自特定的权重集。该系统使用 zkSNARKs 生成证明,使用户能够确认他们正在与预期的模型进行交互,并防止提供商秘密替换为更便宜或被篡改的版本。虽然目前仍是一个研究项目,没有立即部署计划,但 FlashProve 旨在通过提供可审计的输出来解决 AI 中的信任问题,尽管生成证明的过程计算成本很高。

  5. TOOL · CL_325811 ·

    ZKStamp Proof-100使用BitcoinZ为受保护的AI代理时间戳

    ZKStamp Proof-100 提供了一种使用 BitcoinZ 区块链对数字文件进行时间戳的新颖方法。该系统利用 zk-SNARK 技术将文件的 SHA-256 指纹加密到受保护交易的备忘录字段中,确保文件内容保持私密,同时其存在性在区块链上得到加密证明。该服务可通过 REST API 访问,并通过其 MCP 协议专为 AI 代理设计,允许用户在明确共享之前生成证明,而无需公开实际文件或其指纹。

  6. TOOL · CL_227159 ·

    新的 zk-SNARK 框架通过对抗性探测验证大语言模型 (LLM) 的完整性

    研究人员开发了一个新颖的、使用 zk-SNARKs 的隐私保护框架,用于验证大语言模型 (LLM) 部署后的完整性。该系统采用对抗性探测来检测在标准输出中可能不明显但微妙的行为变化,即使模型权重是专有的。该框架提供各种探测类型,包括基于 token 的探测、基于 embedding 的探测和压力探测,以平衡访问要求和敏感性。实验表明,即使在黑盒设置下,基于 token 的探测也有效,并且 zk-SNARK 工作流程被证明对于扩展探测集是实用的。

  7. TOOL · CL_191144 ·

    Niyam-AI 使用零知识证明实现可验证的 AI 代理安全

    研究人员推出了 Niyam-AI,这是一个旨在为 AI 代理提供加密可验证安全护栏的新颖框架。与依赖软件检查的现有方法不同,Niyam-AI 使用隔离的 Judge 模型和零知识证明(zk-SNARKs)来数学上验证每个工具调用是否符合预定义的约束。这种方法提供了可证明的安全执行保证,允许第三方在无需访问模型内部权重的情况下确认合规性。在 Agent-SafetyBench 数据集上的评估表明,Niyam-AI 的性能显著优于 NeM…