隐私保护机制使大型语言模型的经济可验证推理成为可能
密码学与安全
2026-02-20 v1 机器学习
摘要
随着大型语言模型（LLM）的持续增大，越来越少的用户能够在本地部署和运行模型。这导致第三方托管服务的使用增加。然而，在这种情况下，缺乏对推理提供者执行计算的保证。例如，得意的提供者可能用更便宜的运行弱模型来替换昂贵的大模型，并返回弱模型的结果给用户。现有的验证工具通常依赖于来自密码学的方法，如零知识证明（ZKPs），但这些会增加显著的计算开销，对于大型模型仍不可行。在本工作中，我们提出了一种新的见解——给定执行私有LLM推理的方法，即可在边际额外成本下获得验证推理的形式。具体地，我们提出了两种新协议，利用隐私保护的LLM推理来提供对所执行推理的保证。我们的做法廉价，需要仅添加少量额外的计算标记，几乎没有后续影响。由于最快的隐私保护推理方法通常比ZK方法更快，所提出的协议也改进了验证运行时间。我们的工作提供了关于隐私与LLM推理中可验证性之间关系的新见解。
引用
@article{arxiv.2602.17223,
title = {Privacy-Preserving Mechanisms Enable Cheap Verifiable Inference of LLMs},
author = {Arka Pal and Louai Zahran and William Gvozdjak and Akilesh Potti and Micah Goldblum},
journal= {arXiv preprint arXiv:2602.17223},
year = {2026}
}