最近 @SentientAGI 团队在 NeurIPS 2025 的 Lock-LLMs 工作坊上又交了一份硬核答卷——论文《OML: Cryptographic Primitives for Verifiable Control in Open-Weight LLMs》提出了一套开源大模型可验证控制的新方法：OML（Open Model License / Ownership Marking Layer）。

核心亮点很直观：把控制逻辑嵌入模型推理管线，实现开源模型也能安全、可验证地运行。它的三层设计让人印象深刻：
1️⃣ 可验证性：零知识证明保证每次调用合法；
2️⃣ 强制性：TEE（可信执行环境）防止绕过；
3️⃣ 货币化：区块链与 NFT 结合，实现模型收益溯源。

与传统水印不同，OML 能在白盒下仍然保持控制能力，实验显示在模型蒸馏与参数窃取检测中准确率超过 97%，性能损失低于 2%。可以说，这是开放模型安全治理的一个关键拐点。

有趣的是，OML 将模型拆分为控制平面和数据平面两大角色：
控制平面像严格的监管者，管理谁能调用模型、遵守哪些政策、记录每次操作，并生成带签名的运行清单与不可篡改的审计日志；

数据平面则专注“干活”，处理 tokens，不掺杂其他事务。

这种分工让模型即便在本地运行，也无需依赖中心化 API，同时保证授权、溯源、审计全程可控。Sentient 在 Llama-3.1-8B 微调版本中嵌入了 24,576 个密钥-响应对，保持性能稳定，微调、蒸馏或混合后依然有效，真正让 AI 模型拥有“签名”和版权保护。

与此同时，Sentient 的 LiveCodeBench Pro 则把 AI 编程能力拉回真实战场：
高难度编程题目 AI 通过率几乎为零；从阅读题面、设计方案、生成代码到编译执行，每个环节都严格遵循算法竞赛标准；覆盖 Codeforces、ICPC、IOI 等权威竞赛题目，采用 Elo 动态难度评级系统；本地复现、隐藏测试与完整日志生成，让模型能力可验证、可追踪。

在生成式 AI 追求高分与提示技巧的当下，LiveCodeBench Pro 是一面清晰镜子，展示模型在算法理解、长程逻辑和复杂度控制上的真实边界，让“模型会写代码”不再只是虚名。

@SentientAGI 正在用 OML 和 LiveCodeBench Pro，重塑 AI 的安全、可控与能力标准。开放模型有了版权保护，AI 编程有了真实考场，这是社区驱动开源 AGI 的重要里程碑。

#KaitoYap @KaitoAI #Yap #Sentient