最近 @SentientAGI 團隊在 NeurIPS 2025 的 Lock-LLMs 工作坊上又交了一份硬核答卷——論文《OML: Cryptographic Primitives for Verifiable Control in Open-Weight LLMs》提出了一套開源大模型可驗證控制的新方法：OML（Open Model License / Ownership Marking Layer）。

核心亮點很直觀：把控制邏輯嵌入模型推理管線，實現開源模型也能安全、可驗證地運行。它的三層設計讓人印象深刻：
1️⃣ 可驗證性：零知識證明保證每次調用合法；
2️⃣ 強制性：TEE（可信執行環境）防止繞過；
3️⃣ 貨幣化：區塊鏈與 NFT 結合，實現模型收益溯源。

與傳統水印不同，OML 能在白盒下仍然保持控制能力，實驗顯示在模型蒸餾與參數竊取檢測中準確率超過 97%，性能損失低於 2%。可以說，這是開放模型安全治理的一個關鍵拐點。

有趣的是，OML 將模型拆分爲控制平面和數據平面兩大角色：
控制平面像嚴格的監管者，管理誰能調用模型、遵守哪些政策、記錄每次操作，並生成帶籤名的運行清單與不可篡改的審計日志；

數據平面則專注“幹活”，處理 tokens，不摻雜其他事務。

這種分工讓模型即便在本地運行，也無需依賴中心化 API，同時保證授權、溯源、審計全程可控。Sentient 在 Llama-3.1-8B 微調版本中嵌入了 24,576 個密鑰-響應對，保持性能穩定，微調、蒸餾或混合後依然有效，真正讓 AI 模型擁有“籤名”和版權保護。

與此同時，Sentient 的 LiveCodeBench Pro 則把 AI 編程能力拉回真實戰場：
高難度編程題目 AI 通過率幾乎爲零；從閱讀題面、設計方案、生成代碼到編譯執行，每個環節都嚴格遵循算法競賽標準；覆蓋 Codeforces、ICPC、IOI 等權威競賽題目，採用 Elo 動態難度評級系統；本地復現、隱藏測試與完整日志生成，讓模型能力可驗證、可追蹤。

在生成式 AI 追求高分與提示技巧的當下，LiveCodeBench Pro 是一面清晰鏡子，展示模型在算法理解、長程邏輯和復雜度控制上的真實邊界，讓“模型會寫代碼”不再只是虛名。

@SentientAGI 正在用 OML 和 LiveCodeBench Pro，重塑 AI 的安全、可控與能力標準。開放模型有了版權保護，AI 編程有了真實考場，這是社區驅動開源 AGI 的重要裏程碑。

#KaitoYap @KaitoAI #Yap #Sentient