arXiv · cs.AI· Junkai Liang, Zhanpeng Guo, Pengfei Wu, Qingni Shen, Jiaheng Zhang, Zhonghai Wu, Haiyang Xue, Shengfang Zhai·· 2 天前
zkLLMPoT通过前向评估零知识证明大语言模型检查点属性
zkLLMPoT: Efficient Zero Knowledge Proof of Training for Large Language Models
arXiv:2610.08258v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Junkai Liang, Zhanpeng Guo, Pengfei Wu, Qingni Shen, Jiaheng Zhang, Zhonghai Wu, Haiyang Xue, Shengfang Zhai
研究任务与主要进展
zkLLMPoT提出一种无需验证完整优化轨迹的零知识框架，用于证明已训练大语言模型检查点面向审计者定义目标的性质。方法分两阶段：训练者固定架构并承诺模型权重，审计者选择挑战序列后，训练者证明承诺模型在这些序列上的目标函数值，证明成本与训练迭代次数无关，同时不公开模型权重或私有训练数据。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org