FHE

Zama宣布与摩根大通的Kinexys合作，成功完成了基于全同态加密（FHE）技术的概念验证项目，该项目专注于金融领域的隐私保护。通过fhEVM，实现了在以太坊智能合约上的加密交易，确保投资者在基金认购、二级市场交易、原子结算和KYC/AML合规等场景中的数据隐私和安全。

Zama 发布了 TFHE-rs v1.1 版本，该版本在 GPU 和 CPU 后端都有重大改进和新特性。GPU 方面，升级了后端，采用了与 CPU 相同的默认加密参数，显著提高了多 GPU 的支持，CPU 方面，通过支持更多的标量案例扩展了算子集，该版本还引入了分块引导密钥生成，以更好地支持内存受限环境中的操作。

新加坡国立大学（NUS）的一组计算机科学学生在 TikTok TechJam 2024 上使用 Zama 的 Concrete ML 和全同态加密 (FHE) 技术，开发了一个广告服务系统，展示了 FHE 如何为在线广告开创一个尊重隐私的新时代。该项目名为 AnonymousAds，旨在保护用户隐私的前提下，实现个性化广告投放。

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。

本文介绍了Fhenix，一个基于全同态加密（FHE）的区块链项目，旨在将加密数据的计算引入EVM智能合约。Fhenix利用FHE技术增强区块链的隐私性和可扩展性，并探讨了FHE在区块链中的潜在用例，如数据保密、安全计算和跨链互操作性。文章还提到了其他利用FHE的区块链项目，并对Fhenix的未来发展方向进行了展望。

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。