我有个习惯，看到项目说“密码学可验证”，就去翻它到底拿什么验证。@OpenGradient 的架构文档写得很诚实：它把

能力不允许先生

我有个习惯，看到项目说“密码学可验证”，就去翻它到底拿什么验证。
@OpenGradient  的架构文档写得很诚实：它把 LLM 推理请求塞进 AWS Nitro Enclaves，依赖 Nitro 生成的认证文档作为“硬件背书”。用户验证的是 AWS 的签名，不是模型本身的数学正确性。学术界对 Nitro Enclaves 的研究也明确指出：Nitro 的安全模型建立在“信任 AWS 基础设施”的前提之上，AWS 掌握着底层硬件和软件的控制权。你把信任从 OpenAI 换成了 AWS，密码学不过是给硬件信任披了件外衣。
那 ZKML 呢？ZKPyTorch 把 Llama-3 转成 ZK 电路后，生成单个 Token 的证明需要 150 秒。150 秒一个 Token，而大模型一次推理动辄几百个 Token——这套方案跑大模型商用，还不现实。
OpenGradient项目方自己也承认这一点。设计文档里写得很直白：ZKML 的开销是 1000 到 10000 倍，建议只在“高价值场景”使用，比如 DeFi 清算和金融评分。大多数开发者还是会走 TEE 和 Vanilla 模式。一个把 ZKML 当招牌、把 TEE 当主力的协议，所谓的“去中心化信任”，底层还是一张 AWS 的硬件保证书。这套路我见过太多次了，换个壳而已。
#opg $OPG

回复用户2

Model identity is part of trustworthy AI.

回复用户2

OPG is building where crypto and AI actually connect.