DeepMind双盲评测Gemini 2.5 Flash Lite是什么：2026加密飞地全解析
DeepMind用机密飞地跑Gemini 2.5 Flash Lite的双盲评测。关键不是分数，而是双方都不必交出自己的秘密。
2026年8月27日，Google DeepMind宣布与新加坡AISI、OpenMined、MLCommons和AVERI合作，在加密硬件飞地里评测Gemini 2.5 Flash Lite：厂商看不到考题，评测方也看不到权重。
这不是又一张排行榜。TechTimes与The New Stack转述的技术报告强调：双盲评测要解决的是结构问题——谁来跑测试，谁就必须看见对方的秘密。
为什么零日志仍然不够
公开基准一旦漏进训练语料，分数测的是检索而不是能力。一份DeepMind引用的较早分析称，31个模型中约半数出现泄漏迹象；2026年另有研究指出污染会抬高分数，大模型更敏感。
走厂商API，出题方等于把题目交给被测方。交出权重则暴露训练成本极高的资产。零日志多半是合同，不是硬件强制。2026年7月《新加坡全球AI安全研究优先事项共识》把“评测方看不到参数、开发方不知道具体考题”列为优先课题。
API评测
提示会经过厂商基础设施，对方可以看见题目。
交出权重
评测方获得可复现性，厂商则失去对核心资产的控制。
合同式零日志
善意合规仍可能因缓存、误操作或后续训练把题目吃进去。
飞地里实际发生了什么
-
1
远程证明
双方先确认飞地跑的是事先约定的软件，而不是带外泄通道的改版。
-
2
加密装载
DeepMind装入Gemini 2.5 Flash Lite权重与推理代码；评测方装入保密提示与评分代码。权重落在H100加密显存，提示落在Intel TDX加密主机内存。
-
3
只交出约定结果
评测结束只返回允许的分数或判定，临时环境销毁。报告称密码学层开销低于约5%。
软件层与残余信任
硬件加密不够。飞地若能随意外连，仍可能把数据送出去。OpenMined的PySyft要求双方预审代码并阻断敏感外连。2024年12月，OpenMined曾与英国AISI、Anthropic用H100安全飞地对开源代理模型评测CAMEL-bio；2026年3月，NIST的AI标准与创新中心与OpenMined签署合作，把PySyft用于安全评测。
信任没有消失，只是搬家：从双边合同搬到NVIDIA与Intel芯片，以及签署证明报告的Google Cloud服务。
| 角色 | 传统做法 | 这次试点 |
|---|---|---|
| 模型方 | 看见API提示，或签零日志 | 看不到飞地内考题 |
| 评测方 | 要权重或只能信厂商 | 看不到权重，只拿约定结果 |
| 适用模型 | 任意规模（流程上） | 先限单卡可放下的系统 |
MLCommons也提醒：保护题目不等于基准本身设计得好。分数可以对照原报告，本文不转述未核实的排行数字。
- 法律摩擦
- DeepMind自己的报告把跨组织协议与代码联审列为规模化的更大障碍，往往难于算力账单。
- 多卡缺口
- 研究人员在推进H100/B200加密互联，以便评测需要分布式推理的系统，但那还不是现成工具。
和同事对齐报告时
读完技术细节后，小组通常需要同一张图：谁提供证明、谁提供芯片、哪一层仍是信任。不必再装一套会议套件。可在tidemeet创建短时空间，或先看无账号协作与如何创建空间。
# 对照清单
attestation → weights-in → prompts-in → bounded-results还有疑问？
这次证明基准分数现在都可以信吗？
不能。它只堵住“出题方与模型方必须看见对方秘密”这一条。基准质量、题库事后管理、以及最大旗舰模型仍不在这次单卡试点里。
Gemini在这次评测里得了多少分？
公开报道强调流程而非分数。请以DeepMind与合作方的技术报告为准，不要把未核实的排行数字当结论。
其他实验室能立刻复制吗？
机密计算并不绑定单一云。但协议、联审和证明根仍依赖云厂商与芯片厂。别的实验室要在非Google基础设施上规模化，摩擦会更大。
和临时协作工具有什么关系？
没有产品绑定。若你只是要对照报告画一张信任边界图，临时会议工具对比说明何时用短时浏览器空间即可。