DP-MIND：差分隐私扩展到百万token长上下文推理

Zhihao Liu 等在 arXiv 论文（arXiv:2610.13132）中提出 DP-MIND，一个把差分隐私推理扩展到百万 token 级上下文的记忆引导框架，核心思路是分块处理并用紧凑记忆保留任务相关信息。 方法上，框架用强化学习直接在受扰动输入上优化记忆构建策略，优化目标同时考虑最终答案正确性和记忆一致性，再由本地去噪模块恢复受噪声影响的答案片段。基于论文摘要，作者还给出理论隐私分析，并报告在多个上下文长度最高达百万 token 的长上下文基准上，扩展性和效果优于现有差分隐私和长上下文推理基线。目前为论文阶段，尚未见独立复现。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。