Este artículo fue recopilado y organizado por BlockWeeks
Seis científicos de la computación de la Universidad de Yale han propuesto un protocolo llamado Maverick, con el objetivo de permitir que los modelos de IA de código abierto se ejecuten principalmente en "la máquina de otra persona" sin exponer la entrada original del usuario a esa máquina. Por diseño, el teléfono del usuario u otro dispositivo de baja capacidad de cómputo externaliza el cálculo pesado a un servidor externo; el servidor solo recibe una copia codificada de la entrada, y el dispositivo luego verifica el resultado después de que se devuelve.
El artículo relacionado se subió a arXiv el 9 de septiembre de 2026. Sigue siendo una preimpresión y aún no ha sido aceptado por una conferencia o revista, y el artículo no incluye un enlace al código.
Problema central: cómo confiar en una máquina que no controlas
Verificar si una máquina que no puedes controlar ha completado honestamente un cálculo es exactamente el problema que los sistemas de prueba de conocimiento cero y algunas redes de cómputo descentralizadas han buscado resolver durante mucho tiempo. El objetivo adicional de Maverick es verificar el resultado mientras se evita que el servidor vea la entrada del usuario.
El artículo señala que el sistema de aprendizaje automático de conocimiento cero DeepProve puede verificar los resultados del cálculo pero expone la entrada al servidor. Maverick intenta lograr tanto la "verificabilidad" como la "confidencialidad de la entrada" al mismo tiempo.
Uno de los autores del artículo, el profesor asistente Fan Zhang, y el estudiante de doctorado Wenhao Wang, indican la Initiative for Cryptocurrencies and Contracts (IC3) como su afiliación, y parte de la investigación de Wenhao Wang está financiada por IC3.
En cuanto a los mercados de blockchain que venden servicios de inferencia de IA, el presentador Kain Warwick describió este mes la dificultad de confiar en las máquinas de otras personas en un programa: "La gente te vende servicios de inferencia, pero realmente no sabes de dónde vienen".
Cómo funciona Maverick: enmascarar primero, luego verificar por muestreo
El flujo básico de Maverick es el siguiente: el dispositivo del usuario oculta la entrada con una capa de enmascaramiento aparentemente aleatorio, luego envía la mayor parte del cálculo matemático del modelo al servidor; el servidor completa el cálculo sin conocer la entrada original, y tras devolver el resultado, el dispositivo del usuario elimina la máscara y recupera la respuesta.
Para evitar que el servidor haga trampas o actúe de forma maliciosa, el dispositivo no vuelve a ejecutar todo el cálculo; en su lugar, ejecuta una prueba aleatoria rápida para verificar por muestreo el resultado devuelto por el servidor.
El autor del artículo Charalampos Papamanthou solo indica la Universidad de Yale en el artículo, pero según su página personal de Yale, también se desempeña como científico jefe en Lagrange Labs. Lagrange construye sistemas de prueba de conocimiento cero, incluido DeepProve, y Papamanthou también es coautor del artículo de DeepProve.
Datos de rendimiento: la aceleración de 45 veces tiene estrictas condiciones previas
En las pruebas de extremo a extremo del artículo, la mayor mejora de rendimiento apareció cuando el dispositivo del usuario preparó la máscara de antemano: la velocidad de procesamiento de los tokens del prompt alcanzó hasta 45 veces la de ejecutar el modelo localmente en el propio dispositivo. Si la máscara se construye sobre la marcha durante la ejecución, la aceleración máxima cae a 17 veces.
Estas cifras provienen de condiciones de prueba específicas: el dispositivo del usuario utiliza solo un hilo de procesamiento, el servidor es una CPU y se le permite usar hasta 128 hilos, la longitud del prompt es de 8 tokens y no se incluye la latencia de red.
Otra prueba cronometró una solicitud corta en una red simulada, con el dispositivo usando dos hilos y el servidor usando 64 hilos. Con 50 milisegundos de latencia de ida y vuelta, el tiempo hasta la primera salida bajo los dos modos de privacidad fue solo 1,42 veces y 1,46 veces el de la ejecución local, respectivamente; cuando la latencia de ida y vuelta aumentó a 100 milisegundos, ambos modos fueron más lentos que la ejecución local.
Las pruebas utilizaron solo un modelo, Qwen3-4B.
Cuello de botella clave: el almacenamiento del lado del cliente
Los autores califican el requisito de almacenamiento del lado del cliente de Maverick como "un cuello de botella clave de nuestro método". Esto significa que, aunque el protocolo traslada la presión computacional al servidor, el dispositivo del usuario aún necesita soportar una sobrecarga de almacenamiento no despreciable, lo que puede limitar su implementación práctica en dispositivos como teléfonos de gama baja.
En cuanto al posicionamiento, Maverick busca entrar en una intersección candente: la externalización de la inferencia de IA, la protección de la privacidad y la computación verificable. Si puede pasar de una preimpresión a un sistema desplegable aún depende de la implementación del código, de las pruebas con modelos más grandes y de si la sobrecarga del lado del cliente puede comprimirse aún más.






