Dieser Artikel wurde von BlockWeeks zusammengestellt und organisiert
Sechs Informatiker der Yale University haben ein Protokoll namens Maverick vorgeschlagen, mit dem Ziel, Open-Source-KI-Modelle primär auf „dem Rechner von jemand anderem" laufen zu lassen, ohne dabei die Roheingabe des Nutzers gegenüber diesem Rechner offenzulegen. Konstruktionsbedingt lagert das Telefon oder ein anderes rechenschwaches Gerät des Nutzers die schwere Berechnung an einen externen Server aus; der Server erhält nur eine verschleierte Kopie der Eingabe, und das Gerät überprüft anschließend das Ergebnis, nachdem es zurückgegeben wurde.
Das zugehörige Paper wurde am 9. September 2026 auf arXiv hochgeladen. Es handelt sich noch um ein Preprint, das noch nicht von einer Konferenz oder Zeitschrift angenommen wurde, und das Paper enthält keinen Code-Link.
Kernproblem: Wie man einer Maschine vertraut, die man nicht kontrolliert
Zu überprüfen, ob eine Maschine, die man nicht kontrollieren kann, eine Berechnung ehrlich durchgeführt hat, ist genau das Problem, das Zero-Knowledge-Proof-Systeme und einige dezentrale Rechennetzwerke seit Langem zu lösen versuchen. Das zusätzliche Ziel von Maverick ist es, das Ergebnis zu verifizieren und dabei den Server daran zu hindern, jemals die Eingabe des Nutzers zu sehen.
Das Paper weist darauf hin, dass das Zero-Knowledge-Machine-Learning-System DeepProve Berechnungsergebnisse prüfen kann, aber die Eingabe gegenüber dem Server offenlegt. Maverick versucht, gleichzeitig „Verifizierbarkeit" und „Eingabevertraulichkeit" zu erreichen.
Einer der Autoren des Papers, Assistenzprofessor Fan Zhang, und der Doktorand Wenhao Wang geben die Initiative for Cryptocurrencies and Contracts (IC3) als ihre Affiliation an, und ein Teil der Forschung von Wenhao Wang wird von IC3 finanziert.
In Bezug auf Blockchain-Märkte, die KI-Inferenzdienste verkaufen, beschrieb Host Kain Warwick in dieser Woche in einer Sendung die Schwierigkeit, den Rechnern anderer Leute zu vertrauen: „Leute verkaufen dir Inferenzdienste, aber du weißt nicht wirklich, woher sie kommen."
Wie Maverick funktioniert: Erst maskieren, dann stichprobenartig prüfen
Der grundlegende Ablauf von Maverick ist wie folgt: Das Gerät des Nutzers verbirgt die Eingabe mit einer Schicht scheinbar zufälliger Maskierung und sendet dann den Großteil der mathematischen Berechnung des Modells an den Server; der Server führt die Berechnung durch, ohne die ursprüngliche Eingabe zu kennen, und nach der Rückgabe des Ergebnisses entfernt das Gerät des Nutzers die Maskierung und gewinnt die Antwort zurück.
Um zu verhindern, dass der Server Abkürzungen nimmt oder böswillig handelt, führt das Gerät nicht die gesamte Berechnung erneut aus; stattdessen führt es einen schnellen randomisierten Test durch, um das vom Server zurückgegebene Ergebnis stichprobenartig zu prüfen.
Der Autor des Papers, Charalampos Papamanthou, gibt im Paper nur die Yale University an, aber laut seiner persönlichen Yale-Seite ist er auch Chief Scientist bei Lagrange Labs. Lagrange baut Zero-Knowledge-Proof-Systeme, einschließlich DeepProve, und Papamanthou ist auch Mitautor des DeepProve-Papers.
Leistungsdaten: Die 45-fache Beschleunigung hat strenge Voraussetzungen
In den End-to-End-Tests des Papers trat die größte Leistungsverbesserung auf, als das Gerät des Nutzers die Maskierung im Voraus vorbereitete: Die Verarbeitungsgeschwindigkeit von Prompt-Tokens erreichte bis zu 45-mal die Geschwindigkeit des lokalen Ausführens des Modells auf dem Gerät selbst. Wenn die Maskierung während der Ausführung spontan konstruiert wird, sinkt die Spitzenbeschleunigung auf das 17-Fache.
Diese Zahlen stammen aus spezifischen Testbedingungen: Das Gerät des Nutzers verwendet nur einen Verarbeitungsthread, der Server ist eine CPU und darf bis zu 128 Threads verwenden, die Prompt-Länge beträgt 8 Tokens, und die Netzwerklatenz ist nicht enthalten.
Ein weiterer Test maß eine kurze Anfrage in einem simulierten Netzwerk, wobei das Gerät zwei Threads und der Server 64 Threads verwendete. Bei 50 Millisekunden Round-Trip-Latenz betrug die Zeit bis zur ersten Ausgabe unter den beiden Privatsphäre-Modi nur das 1,42-Fache bzw. das 1,46-Fache der lokalen Ausführung; als die Round-Trip-Latenz auf 100 Millisekunden stieg, waren beide Modi langsamer als die lokale Ausführung.
Die Tests verwendeten nur ein Modell, Qwen3-4B.
Zentraler Engpass: Clientseitiger Speicher
Die Autoren bezeichnen den clientseitigen Speicherbedarf von Maverick als „einen zentralen Engpass unserer Methode". Das bedeutet, dass das Gerät des Nutzers, obwohl das Protokoll den Rechendruck auf den Server verlagert, dennoch einen nicht vernachlässigbaren Speicheraufwand tragen muss, was seine praktische Bereitstellung auf Geräten wie Low-End-Telefonen einschränken könnte.
In Bezug auf die Positionierung strebt Maverick danach, in eine Schnittmenge mit Aufwind einzutreten: KI-Inferenz-Outsourcing, Datenschutz und verifizierbare Berechnung. Ob es von einem Preprint zu einem einsatzfähigen System gelangen kann, hängt weiterhin von der Codeimplementierung, Tests mit größeren Modellen und davon ab, ob der Overhead auf Client-Seite weiter komprimiert werden kann.






