FHE

该文档描述了concrete.ml.torch.compile模块，该模块提供了将 PyTorch 和 ONNX 模型编译为 FHE 等效形式的功能。

Concrete v2.10 发布，引入了对 Rust 的支持，通过 concrete-python 将 Python 程序编译为 FHE 等效程序，然后在 Rust 项目中使用，以便在生产环境中部署。新版本还增强了与 TFHE-rs 的互操作性，可以更轻松地结合两者的优势。

Zama发布 Concrete ML v1.9 版本，该版本支持 TFHE-rs 密文格式，支持开发者使用 Rust 生态系统进行加密机器学习工作流程，能够将 Concrete ML 模型无缝集成到基于 Rust 的 FHE 管道中。同时，LoRA LLM 微调协议也得到了性能上的改进，并推出了新的 SDK，旨在构建支持 FHE 的浏览器和移动应用程序，使移动用户能够安全地处理敏感数据。

Concrete ML v1.8 发布，旨在实现去中心化的私有 LLAMA 微调。此版本改进了 LLM 混合微调的速度和可用性，通过优化的 FHE 后端和新的低秩近似 API。Concrete ML 现在支持 Python 3.12，确保与最新的工具和框架兼容。该版本还提供了一个更好的 API，用于在加密数据上微调 LLM，并添加了一个优化的 FHE 后端，加速了计算。

介绍全同态加密（FHE）：探索其令人兴奋的应用、局限性和最近推动其流行的发展。

简单分析全同态加密(FHE，FuIyHomomorphicEncryption)技术如何运作。

Zama团队在EUROCRYPT 2025上展示了其在全同态加密(FHE)方面的最新研究成果，该研究旨在通过控制密文漂移来提高FHE的安全性及效率，特别是在IND-CPAD安全模型下。他们提出了一系列新技术，能够在不显著增加计算成本的前提下，降低解密错误的概率，从而提升FHE在实际应用中的安全性，并引入了更强的安全模型sIND-CPAD。