TFHE-rs v0.7 版本发布，引入了密文压缩和多 GPU 支持等重要特性。密文压缩可将密文大小最多减少 1900 倍，而多 GPU 支持能够显著提升同态计算的性能，文章还介绍了新版本中参数集合的更新、新的向量和数组运算、优化的零知识证明以及优化的 GPU 密钥切换等额外功能。

Concrete ML v1.6 版本提升了大型神经网络的延迟，增加了对预训练的基于树模型的支持，并通过引入 DataFrame 模式和简化 Logistic 回归训练的部署，从而简化了协作计算。该版本还展示了深度 MLP 模型和 ResNet18 模型的延迟改进，并提供了加密训练和 DataFrame 模式的增强功能。此外，还包含用于Windows系统的GPU支持。

这篇博客文章是关于使用SNARKs验证FHE引导（Bootstrapping）的研究，旨在提高FHE的实际应用性。

Zama 团队发布了 TFHE-rs (v0.6)、Concrete (v2.6)、Concrete ML (v1.5) 和 fhEVM (v0.4) 的新版本。

Concrete v2.6 版本发布，引入了近似可编程引导启动（PBS）、输入压缩、增强的函数组合以及更快的模拟，以及 ternary-if, Relu, 和 Sign 函数。近似 PBS 通过不精确的舍入加速 TLU 运算；输入压缩通过种子加密进一步优化带宽和磁盘空间；增强的函数组合通过模块实现更灵活的加密数据处理。此外，仿真速度也得到了显著提升。

Zama 发布了 fhEVM v0.4 版本，引入了新的加密类型（ebool、euint4、euint64、eaddress）和异步解密API，通过 oracle 实现解密请求和回调，提升性能和效率。同时发布了fhEVM标准合约库 fhevm-contracts，包含ERC20和DAO等基础合约，简化开发流程。

TFHE-rs v0.6 版本引入了零知识证明技术，增强了 GPU 对有符号整数运算的支持，并引入了加密随机数生成等新的加密功能。该版本现在包含 Marc Joye 提出的公钥方案，并生成零知识证明以验证公钥加密过程的正确性。此外，新版本还支持 GPU 上的有符号整数运算，并改进了 GPU 用户的多位 PBS。

Concrete ML v1.5版本发布，引入了新的DataFrame API，支持在加密存储的数据上工作，并增加了加速神经网络的新选项，速度可提高2-3倍。同时，发布了一个新的演示，展示如何安全地匿名化文本数据，以便在使用ChatGPT查询知识库时不会泄露任何个人身份信息。该版本旨在推动隐私保护的机器学习和加密协作。