EncryptedLLM：GPU加速全同态加密的大模型隐私推理

资料定位

研究利用GPU加速全同态加密执行隐私保护的大模型推理，评估密码计算、模型结构和性能开销。

核心主题：加密推理

目标是在服务端不解密用户输入的条件下执行模型计算，GPU用于缓解FHE带来的高计算成本。

阅读与复现边界

密码安全、支持算子、模型精度和延迟需要共同评估，论文原型性能不等于通用在线服务水平。

对实际项目的用法

适合医疗、金融和敏感数据场景的技术预研，并与TEE、私有部署等方案比较。

原文、署名与本地化说明

原文标题：EncryptedLLM: Privacy-Preserving Large Language Model Inference via GPU-Accelerated Fully Homomorphic Encryption。作者：Leo De Castro、Daniel Escudero、Adya Agrawal、Antigoni Polychroniadou、Manuela Veloso。本站保存的是来源机构发布的完整PDF，未修改PDF内容；中文部分为独立阅读导引，不冒充全文翻译。原始出版页：https://proceedings.mlr.press/v267/de-castro25a.html。

许可依据：PMLR官方出版协议向公众授予CC BY 4.0许可，并要求署名中包含论文原始出版信息及PMLR原文链接。 本站提供来源、许可证、文件哈希、页数和本地化时间，方便核对版本与完整性。