Цю статтю скомпільовано та впорядковано BlockWeeks
Шестеро комп'ютерних науковців з Єльського університету запропонували протокол під назвою Maverick, мета якого — змусити відкриті AI-моделі переважно працювати на «чужих машинах», не розкриваючи при цьому початкові вхідні дані користувача тій машині. За задумом, телефон користувача або інший пристрій з низькою обчислювальною потужністю передає важкі обчислення зовнішньому серверу, сервер отримує лише замасковану копію вхідних даних, а пристрій після повернення результату виконує перевірку.
Відповідну статтю було завантажено на arXiv 9 вересня 2026 року; наразі вона все ще є препринтом, ще не прийнята конференцією чи журналом, і до статті також не додано посилання на код.
Ключова проблема: як довіряти машині, яку ти не контролюєш
Перевірка того, чи чесно машина, яку ви не можете контролювати, виконала обчислення, — це саме та проблема, яку системи доказів з нульовим розголошенням та частина децентралізованих обчислювальних мереж тривалий час намагаються розв'язати. Додаткова мета Maverick полягає в тому, щоб під час перевірки результату сервер увесь час не бачив вхідних даних користувача.
У статті зазначено, що система машинного навчання з нульовим розголошенням DeepProve здатна перевіряти результати обчислень, але розкриває вхідні дані серверу. Maverick же намагається одночасно досягти «верифіковуваності» та «конфіденційності вхідних даних».
Один з авторів статті, доцент Fan Zhang, та докторант Wenhao Wang вказують своєю установою організацію з ініціативи щодо криптовалют і контрактів IC3; частину досліджень Wenhao Wang фінансує IC3.
Ведучий Kain Warwick цього місяця в програмі, присвяченій блокчейн-ринках продажу послуг AI-інференсу, описав проблему довіри до чужих машин: «Люди продають вам послуги інференсу, але ви насправді не знаєте, звідки воно походить».
Як працює Maverick: спершу маскування, потім вибіркова перевірка
Базовий процес Maverick такий: пристрій користувача приховує вхідні дані шаром удавано випадкової маски, потім надсилає серверу більшу частину математичних обчислень моделі; сервер виконує обчислення, не знаючи початкових вхідних даних, повертає результат, після чого пристрій користувача знімає маску й відновлює відповідь.
Щоб сервер не лінувався або не діяв зловмисно, пристрій не виконує повторно все обчислення повністю, а запускає швидкий рандомізований тест, вибірково перевіряючи повернений сервером результат.
Автор статті Charalampos Papamanthou в самій статті вказав лише Єльський університет, але згідно з його особистою сторінкою в Єлі він також обіймає посаду головного наукового співробітника Lagrange Labs. Lagrange будує системи доказів з нульовим розголошенням, зокрема DeepProve; Papamanthou також є співавтором статті про DeepProve.
Показники продуктивності: 45-кратне прискорення має суворі передумови
У наскрізних тестах статті найбільше підвищення продуктивності спостерігалося в разі, коли пристрій користувача заздалегідь підготував маску: швидкість обробки токенів запиту сягала до 45 разів вищої за локальний запуск моделі самим пристроєм. Якщо ж маска будувалася безпосередньо під час виконання, пікове прискорення знижувалося до 17 разів.
Ці цифри отримано за специфічних умов тестування: пристрій користувача використовує лише один потік обробки, сервер є CPU і може використовувати до 128 потоків, довжина запиту становить 8 токенів, а мережева затримка не враховується.
В іншому тесті вимірювався час короткого запиту в змодельованій мережі: пристрій використовував два потоки, сервер — 64 потоки. За затримки кругового обігу 50 мс швидкість першого виведення в двох режимах конфіденційності становила лише 1,42 раза та 1,46 раза від локального запуску відповідно; коли затримка кругового обігу зросла до 100 мс, обидва режими працювали повільніше за локальний запуск.
У тестах використовувалася лише одна модель — Qwen3-4B.
Ключове вузьке місце: клієнтське сховище
Автори називають потреби Maverick у клієнтському сховищі «одним із ключових вузьких місць нашого методу». Це означає, що попри те, що протокол переносить обчислювальне навантаження на сервер, пристрій користувача все одно має нести помітні витрати на зберігання, що може обмежити його практичне розгортання на пристроях на кшталт бюджетних смартфонів.
З огляду на позиціонування, Maverick намагається увійти в перетинний простір, що набирає обертів: аутсорсинг AI-інференсу, захист конфіденційності та верифіковувані обчислення. Чи зможе він перейти від препринта до системи, придатної для розгортання, все ще залежить від реалізації коду, тестування на більших моделях і від того, чи вдасться додатково скоротити клієнтські витрати.






