摘要： 本文介绍了在Intel TDX机密计算环境中构建高性能、强安全的Qwen3-1.7b大语言模型推理方案。通过两阶段策略，先优化性能（采用llama.cpp引擎、Q4_K_M量化及硬件并行计算，实现6.76倍速度提升），再增强安全（设计“三位一体信任指纹”机制，绑定程序、模型与密钥的哈希值至X.509证书）。最终方案在保持54.8 tokens/sec性能的同时，确保模型防窃取、程序防篡改及

在最新发布的《隐私计算 跨平台互联互通 开放协议 第4部分：Secure Gradient Boosting》中，规定了异构隐私计算平台间的 SGB 算法的算法流程和传输层参考实现，对算法流程的各阶段、通信内容和通信格式等进行规范，隐语希望结合自身技术实践与行业共建优势，通过开放的隐语框架，推进相关技术标准的沉淀与演进，也欢迎更多的产学研生态伙伴参与，形成技术合力，共同推动行业的共创与发展。隐语在

摘要： SecretFlow 2.0发布，通过三层架构重构推动隐私计算规模化落地。安全编译范式将代码转为可审计的“安全执行图”，杜绝篡改风险；融合计算引擎统一支持AI与BI任务，安装包大幅精简；协同底座Kuscia 2.0实现跨机构高效调度。新架构已在金融、车联网等场景验证，支持多方数据安全协作。隐语开源社区同步公布开源计划，推动技术普惠化，目前生态已覆盖4万用户、100+企业及150+高校，致力

摘要：隐语SML 0.1.0版本正式发布，这是一个专注于隐私保护的Python机器学习库，旨在构建安全版scikit-learn。该版本支持数十种核心算法，涵盖监督学习、无监督学习、数据预处理和模型评估等主要领域，所有算法均针对MPC场景优化。SML现可从PyPI安装，支持金融、医疗等对数据隐私要求高的场景。项目团队邀请开发者共同建设隐私计算时代的机器学习生态，未来将持续完善算法覆盖、API设计和

隐私计算是多种技术的统称，目的是为了让多个数据拥有者，在不暴露数据本身的前提下，实现数据的共享、互通、计算、建模，最终产生超出自身数据的价值，同时保证数据不泄露给其他参与方。相比传统数据安全的方式，这里面的隐私计算是完全依赖技术手段的，从根源上切断对人的信任。实现参与方之间的可用不可见，在运作过程中它是可以防备参与方之间会存在攻击的情况。推进数据的安全和不泄露隐私，保护数据价值和用户的隐私。二、隐

摘要： 本文基于亚信科技与蚂蚁密算专家的技术对话，探讨了隐语（SecretFlow）在隐私计算领域的技术优势与实践案例。隐语凭借高性能、模块化设计及全面技术栈（涵盖MPC、FL、TEE等）成为企业首选，其性能在压力测试中显著优于同类框架。文章通过“银行信用卡精准获客”案例，展示了隐语如何实现数据“可用不可见”的联合建模，并详细拆解了性能优化的多层策略，包括本地预处理、算法轻量化及硬件资源配置。隐语

隐私信息检索(Private information retrieval PIR)也称为隐匿查询或匿踪查询，在医疗、股票、金融、社交等领域中都有大量应用场景。近年来PIR技术研究逐渐丰富，行业对应用PIR实现隐私保护的呼声也随之高涨。

本文介绍了基于同态加密的隐私信息检索协议SealPIR。SealPIR是微软开源的PIR实现，通过压缩查询和概率批量编码显著降低了通信量和计算开销。文章首先定义了PIR协议的正确性和安全性要求，并按照服务器数量（多服务器/单服务器）和检索条件（Index/Keyword）对PIR进行分类。重点分析了IT-PIR和CPIR的性能指标差异，指出CPIR在计算量和通信量上的优势。随后介绍了SealPIR

Kuscia是一款基于K3s的轻量级隐私计算任务编排框架，提供统一的隐私计算底座。它支持中心化和点对点两种组网模式，包含控制平面和节点两大核心组件。控制平面负责资源管理与任务调度，节点负责计算执行。Kuscia提供三种部署模式（Docker/K8s/K8s控制器）适配不同基础设施，支持多方协作的隐私计算任务编排，具备资源隔离、服务发现、安全通信等能力，适用于金融、医疗等对数据安全要求高的场景。

前言：基于差分隐私随机梯度下降法 (DP-SGD) 是深度学习中最流行的 DP 训练方法，与传统的随机梯度下降算法（SGD）的主要不同点是：DP-SGD算法在每一轮迭代过程中都会进行梯度裁剪和添加高斯噪声。本篇内容将对深度学习下的DP-SGD进行分析总结，隐语在此方向也有相关探索，敬请期待后续开源进展。