Эта статья была составлена и организована BlockWeeks
Шесть специалистов по информатике из Йельского университета предложили протокол под названием Maverick, целью которого является обеспечение возможности открытым ИИ-моделям работать преимущественно на «чужой машине», при этом не раскрывая исходные входные данные пользователя этой машине. По замыслу, телефон пользователя или другое маломощное устройство передаёт тяжёлые вычисления на внешний сервер; сервер получает только зашифрованную копию входных данных, а устройство затем проверяет результат после его возврата.
Соответствующая статья была загружена на arXiv 9 сентября 2026 года. Это всё ещё препринт, который не был принят на конференцию или в журнал, и статья не содержит ссылки на код.
Ключевая проблема: как доверять машине, которую вы не контролируете
Проверка того, честно ли машина, которую вы не можете контролировать, выполнила вычисление, — это именно та проблема, которую системы доказательств с нулевым разглашением и некоторые децентрализованные вычислительные сети давно пытаются решить. Дополнительная цель Maverick — проверить результат, при этом не позволяя серверу когда-либо увидеть входные данные пользователя.
В статье отмечается, что система машинного обучения с нулевым разглашением DeepProve может проверять результаты вычислений, но раскрывает входные данные серверу. Maverick пытается одновременно достичь как «проверяемости», так и «конфиденциальности входных данных».
Один из авторов статьи, доцент Фань Чжан, и докторант Вэньхао Ван указывают в качестве своей аффилиации Initiative for Cryptocurrencies and Contracts (IC3), и часть исследований Вэньхао Вана финансируется IC3.
Что касается блокчейн-рынков, продающих услуги ИИ-инференса, ведущий Кейн Уорик в этом месяце в программе описал трудность доверия чужим машинам: «Люди продают вам услуги инференса, но вы на самом деле не знаете, откуда они берутся».
Как работает Maverick: сначала маскировка, затем выборочная проверка
Базовый процесс Maverick выглядит следующим образом: устройство пользователя скрывает входные данные слоем кажущейся случайной маскировки, затем отправляет большую часть математических вычислений модели на сервер; сервер выполняет вычисления, не зная исходных входных данных, а после возврата результата устройство пользователя снимает маскировку и восстанавливает ответ.
Чтобы сервер не халтурил или не действовал злонамеренно, устройство не перевыполняет всё вычисление заново; вместо этого оно запускает быстрый рандомизированный тест для выборочной проверки результата, возвращённого сервером.
Автор статьи Хараламбос Папаманту указывает в статье только Йельский университет, но согласно его личной странице в Йеле, он также занимает должность главного научного сотрудника в Lagrange Labs. Lagrange создаёт системы доказательств с нулевым разглашением, включая DeepProve, и Папаманту также является соавтором статьи о DeepProve.
Данные о производительности: 45-кратное ускорение имеет строгие предварительные условия
В сквозных тестах статьи наибольшее улучшение производительности появилось, когда устройство пользователя подготовило маскировку заранее: скорость обработки токенов промпта достигла до 45 раз по сравнению с запуском модели локально на самом устройстве. Если маскировка строится на лету во время выполнения, пиковое ускорение падает до 17 раз.
Эти цифры получены в конкретных условиях тестирования: устройство пользователя использует только один поток обработки, сервер является CPU и ему разрешено использовать до 128 потоков, длина промпта составляет 8 токенов, а сетевая задержка не учитывается.
Другой тест замерял короткий запрос в имитируемой сети, при этом устройство использовало два потока, а сервер — 64 потока. При задержке кругового обмена 50 миллисекунд время до первого вывода в двух режимах конфиденциальности составило лишь 1,42 раза и 1,46 раза от локального выполнения соответственно; когда задержка кругового обмена выросла до 100 миллисекунд, оба режима оказались медленнее локального выполнения.
В тестах использовалась только одна модель — Qwen3-4B.
Ключевое узкое место: хранение на стороне клиента
Авторы называют требование Maverick к хранению на стороне клиента «ключевым узким местом нашего метода». Это означает, что хотя протокол переносит вычислительную нагрузку на сервер, устройство пользователя всё ещё должно нести не пренебрежимые затраты на хранение, что может ограничить его практическое развёртывание на таких устройствах, как бюджетные телефоны.
С точки зрения позиционирования Maverick стремится выйти на пересечение трёх направлений: аутсорсинг AI-инференса, защита конфиденциальности и верифицируемые вычисления. Сможет ли он перейти от препринта к развёртываемой системе, по-прежнему зависит от реализации кода, тестирования на более крупных моделях и от того, можно ли дополнительно сократить накладные расходы на стороне клиента.






